Come sommare una variabile per gruppo?

Question

Diciamo che ho due colonne di dati. Il primo contiene categorie come "Primo", "Secondo", "Terzo", ecc. Il secondo ha numeri che rappresentano il numero di volte in cui ho visto "Primo".

Ad esempio:

Category  Frequency 
First  10 
First  15 
First  5 
Second  2 
Third  14 
Third  20 
Second  3 

voglio ordinare i dati per Categoria e sommare i Frequenze:

Category  Frequency 
First  30 
Second  5 
Third  34 

Come dovrei fare questo in R?

Answer 1

Utilizzando aggregate:

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum) 
    Category x 
1 First 30 
2 Second 5 
3 Third 34 

---

(embedding commento @thelatemail), aggregate ha un'interfaccia formula troppo

aggregate(Frequency ~ Category, x, sum) 

Oppure, se si vuole aggregare più colonne, è possibile utilizzare la Notazione . (funziona anche per una colonna)

aggregate(. ~ Category, x, sum) 

---

o tapply:

tapply(x$Frequency, x$Category, FUN=sum) 
First Second Third 
    30  5  34 

---

Utilizzando questi dati:

x <- data.frame(Category=factor(c("First", "First", "First", "Second", 
             "Third", "Third", "Second")), 
        Frequency=c(10,15,5,2,14,20,3)) 

Answer 2

Se x è un dataframe con i tuoi dati, allora quanto segue lo fare quello che vuoi:

require(reshape) 
recast(x, Category ~ ., fun.aggregate=sum) 

Answer 3

library(plyr) 
ddply(tbl, .(Category), summarise, sum = sum(Frequency)) 

Answer 4

solo per aggiungere una terza opzione:

require(doBy) 
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum) 

EDIT: questo è una risposta molto vecchia. Ora consiglierei l'uso di group_by e riepilogare da dplyr, come nella risposta @docendo.

Answer 5

questo è un po related to this question.

È anche possibile utilizzare il da() funzione:

x2 <- by(x$Frequency, x$Category, sum) 
do.call(rbind,as.list(x2)) 

Gli altri pacchetti (plyr, rimodellare) hanno il vantaggio di restituire un data.frame, ma vale la pena avere familiarità con da () poiché è una funzione di base.

Answer 6

La risposta fornita da rcs funziona ed è semplice. Tuttavia, se si sta gestendo set di dati più grandi e hanno bisogno di un incremento delle prestazioni v'è una alternativa più veloce:

library(data.table) 
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
        Frequency=c(10,15,5,2,14,20,3)) 
data[, sum(Frequency), by = Category] 
# Category V1 
# 1: First 30 
# 2: Second 5 
# 3: Third 34 
system.time(data[, sum(Frequency), by = Category]) 
# user system elapsed 
# 0.008  0.001  0.009 

Mettiamo a confronto che, per la stessa cosa utilizzando i dati.telaio e il sopra sopra:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"), 
        Frequency=c(10,15,5,2,14,20,3)) 
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum)) 
# user system elapsed 
# 0.008  0.000  0.015 

E se si desidera mantenere la colonna questa è la sintassi:

data[,list(Frequency=sum(Frequency)),by=Category] 
# Category Frequency 
# 1: First  30 
# 2: Second   5 
# 3: Third  34 

La differenza diventerà più evidente con set di dati più grandi, come il codice qui sotto dimostra:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000), 
        Frequency=rnorm(100000)) 
system.time(data[,sum(Frequency),by=Category]) 
# user system elapsed 
# 0.055  0.004  0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
        Frequency=rnorm(100000)) 
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum)) 
# user system elapsed 
# 0.287  0.010  0.296 

---

Per più aggregazioni, è possibile combinare lapply e 0.123.880,366 milacome segue

data[, lapply(.SD, sum), by = Category] 
# Category Frequency 
# 1: First  30 
# 2: Second   5 
# 3: Third  34 

Answer 7

Più di recente, è anche possibile utilizzare il pacchetto dplyr a tal fine:

library(dplyr) 
x %>% 
    group_by(Category) %>% 
    summarise(Frequency = sum(Frequency)) 

#Source: local data frame [3 x 2] 
# 
# Category Frequency 
#1 First  30 
#2 Second   5 
#3 Third  34 

Oppure, per più colonne di riepilogo (funziona con una colonna troppo):

x %>% 
    group_by(Category) %>% 
    summarise_each(funs(sum)) 

Aggiornamento per dplyr> = 0,5:summarise_each è stato sostituito da summarise_all, summarise_at e summarise_if famiglia di funzioni in dplyr.

Oppure, se si dispone di più colonne Group by è possibile specificare tutti loro nel group_by separati da virgole:

mtcars %>% 
    group_by(cyl, gear) %>%       # multiple group columns 
    summarise(max_hp = max(hp), mean_mpg = mean(mpg)) # multiple summary columns 

Per ulteriori informazioni, tra cui l'operatore %>%, vedere la introduction to dplyr.

Answer 8

Diversi anni dopo, solo per aggiungere un'altra soluzione semplice base di R che non è presente qui per qualche ragionevole xtabs

xtabs(Frequency ~ Category, df) 
# Category 
# First Second Third 
# 30  5  34 

O se vuole un data.frame indietro

as.data.frame(xtabs(Frequency ~ Category, df)) 
# Category Freq 
# 1 First 30 
# 2 Second 5 
# 3 Third 34 

Answer 9

Mentre ho recentemente convertito in dplyr per la maggior parte di questi tipi di operazioni, il pacchetto sqldf è ancora molto bello (e IMHO più leggibile) per alcune cose.

Ecco un esempio di come a questa domanda si può rispondere con sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second", 
            "Third", "Third", "Second")), 
       Frequency=c(10,15,5,2,14,20,3)) 

sqldf("select 
      Category 
      ,sum(Frequency) as Frequency 
     from x 
     group by 
      Category") 

## Category Frequency 
## 1 First  30 
## 2 Second   5 
## 3 Third  34 

Answer 10

utilizzando cast invece di recast (nota 'Frequency' è ora 'value')

df <- data.frame(Category = c("First","First","First","Second","Third","Third","Second") 
        , value = c(10,15,5,2,14,20,3)) 

install.packages("reshape") 

result<-cast(df, Category ~ . ,fun.aggregate=sum) 

per ottenere:

Category (all) 
First  30 
Second 5 
Third  34