R中分组变量的十进制数
我想找出每个分组变量的小数点。我特别寻找使用R中分组变量的十进制数,r,data.table,dplyr,lapply,purrr,R,Data.table,Dplyr,Lapply,Purrr,我想找出每个分组变量的小数点。我特别寻找使用dplyr和lappy的方法。如果你能帮我,我将不胜感激 这是我的,我试过了。除了调用dplyr::ntile()(这对我不起作用)之外,我不知道如何直接提取小数点 尝试1 以下是我在Hmisc软件包中尝试使用的descripe(): set.seed(10) IData <- data.frame(let = sample( x = LETTERS, size = 10000, replace=TRUE), numbers = sample(x
dplyr
和lappy
的方法。如果你能帮我,我将不胜感激
这是我的,我试过了。除了调用dplyr::ntile()
(这对我不起作用)之外,我不知道如何直接提取小数点
尝试1
以下是我在Hmisc
软件包中尝试使用的descripe()
:
set.seed(10)
IData <- data.frame(let = sample( x = LETTERS, size = 10000, replace=TRUE), numbers = sample(x = c(1:20000),size = 10000))
Output<-IData %>% data.table::as.data.table(.) %>% split(.,by=c("let"),drop = TRUE,sorted = TRUE) %>% purrr::map(~describe(.$numbers))
尝试3=预期输出
最后,我尝试使用老方法(即复制粘贴)以获得预期的输出:
Output<-IData %>%
dplyr::group_by(let) %>%
dplyr::summarise( QQuantile1 = quantile(`numbers`, c(.10)),
QQuantile1 = quantile(`numbers`, c(.10)),
QQuantile2 = quantile(`numbers`, c(.20)),
QQuantile3 = quantile(`numbers`, c(.30)),
QQuantile4 = quantile(`numbers`, c(.40)),
QQuantile5 = quantile(`numbers`, c(.50)),
QQuantile6 = quantile(`numbers`, c(.60)),
QQuantile7 = quantile(`numbers`, c(.70)),
QQuantile8 = quantile(`numbers`, c(.80)),
QQuantile9 = quantile(`numbers`, c(.90)),
QQuantile10 = quantile(`numbers`, c(.100)))
输出%
dplyr::分组依据(let)%>%
dplyr::summary(QQuantile1=分位数(`numbers`,c(.10)),
QQuantile1=分位数(`numbers`,c(.10)),
QQuantile2=分位数(`numbers`,c(.20)),
QQuantile3=分位数(`numbers`,c(.30)),
QQuantile4=分位数(`numbers`,c(.40)),
QQuantile5=分位数(`numbers`,c(.50)),
QQuantile6=分位数(`numbers`,c(.60)),
QQuantile7=分位数(`numbers`,c(.70)),
QQuantile8=分位数(`numbers`,c(.80)),
QQuantile9=分位数(`numbers`,c(.90)),
QQuantile10=分位数(`numbers`,c(.100)))
问题:有人能帮我使用这三种方法(不是一种,但最好是所有学习方法)生成上述输出吗
1) 拉普拉
2) dplyr
3) 数据表
我看了几个线程,但它们都讨论了一个特定的分位数,而不是全部。例如,线程。我们可以使用
数据表
以一种紧凑的方式完成此操作。将“data.frame”转换为“data.table”(setDT(IData)
),按“let”分组,获取“number”的分位数,并将其转换为list
(as.list
)
我们可以使用data.table
以紧凑的方式实现这一点。将“data.frame”转换为“data.table”(setDT(IData)
),按“let”分组,获取“number”的分位数,并将其转换为list
(as.list
)
要将我的评论组合成一个答案,base非常简单:
aggregate(numbers ~ let, IData, quantile, seq(0.1, 1, 0.1))
## let numbers.10% numbers.20% numbers.30% numbers.40% numbers.50% numbers.60% numbers.70% numbers.80% ...
## 1 A 1749.8 3847.8 5562.6 7475.2 9926.0 11758.6 13230.6 15788.8
## 2 B 2393.5 4483.6 6359.1 7708.0 9773.0 11842.8 13468.9 16266.4
## 3 C 2041.5 3682.0 5677.5 7504.0 9226.0 11470.0 13628.5 15379.0
## 4 D 1890.7 4086.8 5661.9 7526.6 9714.0 11438.8 13969.2 15967.2
## 5 E 2083.6 4107.0 6179.8 7910.8 10095.0 11692.6 13668.0 15570.2
## 6 F 1936.6 4220.2 6197.0 8791.8 10382.0 12266.4 14589.2 16407.0
## 7 G 3059.4 4884.2 6519.6 8530.0 10481.0 12469.0 14401.6 16127.8
## 8 H 2186.5 4081.0 5801.5 7206.0 9256.5 11453.0 13692.0 15471.0
## 9 I 1534.1 3793.2 5822.2 7621.4 9417.5 11737.0 14191.2 15722.4
## 10 J 1967.2 4286.6 5829.6 7664.6 10606.0 12217.4 14422.2 16628.0
## ...
需要注意的是,numbers
实际上是一个嵌套列,可能需要解包以供进一步使用
dplyr
在使用列表列或do
并重塑形状时起作用:
library(tidyverse)
IData %>% group_by(let) %>%
summarise(quant_prob = list(paste0('quant', seq(.1, 1, .1))),
quant_value = list(quantile(numbers, seq(.1, 1, .1)))) %>%
unnest() %>%
spread(quant_prob, quant_value)
## # A tibble: 26 × 11
## let quant0.1 quant0.2 quant0.3 quant0.4 quant0.5 quant0.6 quant0.7 quant0.8 quant0.9 quant1
## * <fctr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 A 1749.8 3847.8 5562.6 7475.2 9926.0 11758.6 13230.6 15788.8 17763.0 19958
## 2 B 2393.5 4483.6 6359.1 7708.0 9773.0 11842.8 13468.9 16266.4 17877.4 19929
## 3 C 2041.5 3682.0 5677.5 7504.0 9226.0 11470.0 13628.5 15379.0 17265.0 19876
## 4 D 1890.7 4086.8 5661.9 7526.6 9714.0 11438.8 13969.2 15967.2 17961.0 19989
## 5 E 2083.6 4107.0 6179.8 7910.8 10095.0 11692.6 13668.0 15570.2 18011.4 19887
## 6 F 1936.6 4220.2 6197.0 8791.8 10382.0 12266.4 14589.2 16407.0 18345.0 19997
## 7 G 3059.4 4884.2 6519.6 8530.0 10481.0 12469.0 14401.6 16127.8 18219.2 19922
## 8 H 2186.5 4081.0 5801.5 7206.0 9256.5 11453.0 13692.0 15471.0 17331.0 19996
## 9 I 1534.1 3793.2 5822.2 7621.4 9417.5 11737.0 14191.2 15722.4 17706.6 19965
## 10 J 1967.2 4286.6 5829.6 7664.6 10606.0 12217.4 14422.2 16628.0 18091.2 19901
## # ... with 16 more rows
尽管列名有点糟糕。要将我的评论汇总成答案,base的简单程度令人震惊:
aggregate(numbers ~ let, IData, quantile, seq(0.1, 1, 0.1))
## let numbers.10% numbers.20% numbers.30% numbers.40% numbers.50% numbers.60% numbers.70% numbers.80% ...
## 1 A 1749.8 3847.8 5562.6 7475.2 9926.0 11758.6 13230.6 15788.8
## 2 B 2393.5 4483.6 6359.1 7708.0 9773.0 11842.8 13468.9 16266.4
## 3 C 2041.5 3682.0 5677.5 7504.0 9226.0 11470.0 13628.5 15379.0
## 4 D 1890.7 4086.8 5661.9 7526.6 9714.0 11438.8 13969.2 15967.2
## 5 E 2083.6 4107.0 6179.8 7910.8 10095.0 11692.6 13668.0 15570.2
## 6 F 1936.6 4220.2 6197.0 8791.8 10382.0 12266.4 14589.2 16407.0
## 7 G 3059.4 4884.2 6519.6 8530.0 10481.0 12469.0 14401.6 16127.8
## 8 H 2186.5 4081.0 5801.5 7206.0 9256.5 11453.0 13692.0 15471.0
## 9 I 1534.1 3793.2 5822.2 7621.4 9417.5 11737.0 14191.2 15722.4
## 10 J 1967.2 4286.6 5829.6 7664.6 10606.0 12217.4 14422.2 16628.0
## ...
需要注意的是,numbers
实际上是一个嵌套列,可能需要解包以供进一步使用
dplyr
在使用列表列或do
并重塑形状时起作用:
library(tidyverse)
IData %>% group_by(let) %>%
summarise(quant_prob = list(paste0('quant', seq(.1, 1, .1))),
quant_value = list(quantile(numbers, seq(.1, 1, .1)))) %>%
unnest() %>%
spread(quant_prob, quant_value)
## # A tibble: 26 × 11
## let quant0.1 quant0.2 quant0.3 quant0.4 quant0.5 quant0.6 quant0.7 quant0.8 quant0.9 quant1
## * <fctr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 A 1749.8 3847.8 5562.6 7475.2 9926.0 11758.6 13230.6 15788.8 17763.0 19958
## 2 B 2393.5 4483.6 6359.1 7708.0 9773.0 11842.8 13468.9 16266.4 17877.4 19929
## 3 C 2041.5 3682.0 5677.5 7504.0 9226.0 11470.0 13628.5 15379.0 17265.0 19876
## 4 D 1890.7 4086.8 5661.9 7526.6 9714.0 11438.8 13969.2 15967.2 17961.0 19989
## 5 E 2083.6 4107.0 6179.8 7910.8 10095.0 11692.6 13668.0 15570.2 18011.4 19887
## 6 F 1936.6 4220.2 6197.0 8791.8 10382.0 12266.4 14589.2 16407.0 18345.0 19997
## 7 G 3059.4 4884.2 6519.6 8530.0 10481.0 12469.0 14401.6 16127.8 18219.2 19922
## 8 H 2186.5 4081.0 5801.5 7206.0 9256.5 11453.0 13692.0 15471.0 17331.0 19996
## 9 I 1534.1 3793.2 5822.2 7621.4 9417.5 11737.0 14191.2 15722.4 17706.6 19965
## 10 J 1967.2 4286.6 5829.6 7664.6 10606.0 12217.4 14422.2 16628.0 18091.2 19901
## # ... with 16 more rows
尽管列名有点糟糕。library(tidyverse);IData%>%group_by(let)%%>%summary(quant_prob=list(paste0('quant',seq(.1,1,1))),quant_value=list(quantile(numbers,seq(.1,1)))%%>%unest()%%>%spread(quant_prob,quant_value)
也许,尽管把它放长一点可能更有用form@Alistaire-谢谢你的帮助。你认为你也可以帮助我使用lappy
和数据.Table
版本,这样我就可以学习解决同一问题的新方法吗?嗯,显然base R的想法和你的想法一样:聚合(数字~let,IData,分位数,seq(.1,1,.1))
库(tidyverse);IData%>%group_by(let)%%>%summary(quant_prob=list(paste0('quant',seq(.1,1,1))),quant_value=list(quantile(numbers,seq(.1,1)))%%>%unest()%%>%spread(quant_prob,quant_value)
也许,尽管把它放长一点可能更有用form@Alistaire-谢谢你的帮助。你认为你也可以帮助我使用lappy
和数据表版本,这样我就可以学习解决同样问题的新方法吗?嗯,显然base R的想法和你的想法一样:聚合(数字~let,IData,分位数,seq(.1,1,.1))
我喜欢你对R的深入了解。你认为你可以包括一个lappy
版本吗?我是R新手,非常想掌握lappy
。我衷心感谢您的帮助。lappy
不分组,因此在这里没有真正的用处。您可以使用tapply
,比如do.call(rbind,tapply(IData$numbers,IData$let,quantile,seq(.1,1,1))
(它返回一个矩阵而不是一个data.frame),但实际上,aggregate
版本是最合适的基本R方法。我喜欢你对R的深入了解。你认为你可以包括一个lappy
版本吗?我是R新手,非常想掌握lappy
。我衷心感谢您的帮助。lappy
不分组,因此在这里没有真正的用处。您可以使用tapply
,比如do.call(rbind,tapply(IData$numbers,IData$let,quantile,seq(.1,1,.1))
(它返回一个矩阵而不是一个data.frame),但实际上aggregate
版本是最合适的base R方法。
IData %>% group_by(let) %>%
by_slice(~quantile(.x$numbers, seq(0.1, 1, 0.1)), .collate = "cols")
## # A tibble: 26 × 11
## let .out1 .out2 .out3 .out4 .out5 .out6 .out7 .out8 .out9 .out10
## <fctr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 A 1749.8 3847.8 5562.6 7475.2 9926.0 11758.6 13230.6 15788.8 17763.0 19958
## 2 B 2393.5 4483.6 6359.1 7708.0 9773.0 11842.8 13468.9 16266.4 17877.4 19929
## 3 C 2041.5 3682.0 5677.5 7504.0 9226.0 11470.0 13628.5 15379.0 17265.0 19876
## 4 D 1890.7 4086.8 5661.9 7526.6 9714.0 11438.8 13969.2 15967.2 17961.0 19989
## 5 E 2083.6 4107.0 6179.8 7910.8 10095.0 11692.6 13668.0 15570.2 18011.4 19887
## 6 F 1936.6 4220.2 6197.0 8791.8 10382.0 12266.4 14589.2 16407.0 18345.0 19997
## 7 G 3059.4 4884.2 6519.6 8530.0 10481.0 12469.0 14401.6 16127.8 18219.2 19922
## 8 H 2186.5 4081.0 5801.5 7206.0 9256.5 11453.0 13692.0 15471.0 17331.0 19996
## 9 I 1534.1 3793.2 5822.2 7621.4 9417.5 11737.0 14191.2 15722.4 17706.6 19965
## 10 J 1967.2 4286.6 5829.6 7664.6 10606.0 12217.4 14422.2 16628.0 18091.2 19901
## # ... with 16 more rows