2

我有一个类似于下面生成的数据框。有些人对特定变量有多个观察值，并且每个变量都有一个相关的估计标准误差 (SE)。我想为每个人创建一个只包含一行的新数据框。对于具有多个观察值的个人，例如 Kim 或 Bob，我需要根据估计的标准误差以及新计算的加权平均值的方差来计算精确加权平均值。例如，对于 Bob，对于 var1，这意味着我希望他在新数据帧中的 var1 值是：

weighted.mean(c(example$var1[2], example$var1[10]), 
   c(1/example$SE1[2], 1/example$SE1[10]))

对于 Bob 的新 SE1，这将是加权平均值的方差，为：

1/sum(1/example$SE1[2] + 1/example$SE1[10])

我尝试使用聚合函数并且能够计算值的算术平均值，但是我编写的简单函数不使用标准误差，也不能处理 NA。

aggregate(example[,1:4], by = list(example[,5]), mean)

在开发一些代码以解决此问题时，我们将不胜感激。这是示例数据集。 

set.seed(1562)
example=data.frame(rnorm(10,8,2))
colnames(example)[1]=("var1")
example$SE1=rnorm(10,2,1)
example$var2=rnorm(10,8,2)
example$SE2=rnorm(10,2,1)
example$id= 
  c ("Kim","Bob","Joe","Sam","Kim","Kim","Joe","Sara","Jeff","Bob")
example$SE1[5]=NA
example$var1[5]=NA
example$SE2[10]=NA
example$var2[10]=NA
example

       var1      SE1      var2        SE2   id
1   9.777769 2.451406  6.363250  2.2739566  Kim
2   8.753078 2.174308  6.219770  1.4978380  Bob
3   7.977356 2.107739  6.835998  2.1647437  Joe
4  11.113048 2.713242 11.091650  1.7018666  Sam
5         NA       NA 11.769884 -0.1310218  Kim
6   5.271308 1.831475  6.818854  3.0294338  Kim
7   7.770062 2.094850  6.387607  0.2272348  Joe
8   9.837612 1.956486  8.517445  3.5126378 Sara
9   4.637518 2.516896  7.173460  2.0292454 Jeff
10  9.004425 1.592312        NA         NA  Bob
4

1 回答 1

3

我喜欢plyr解决这类问题的软件包。它应该在功能上等同于aggregate，但我认为它使用起来很好且方便。网站上有很多示例和大约 20 页的 plyr介绍。对于这个问题，由于数据以 data.frame 开始，而另一端需要另一个 data.frame，我们使用ddply()

library(plyr)
#f1()
ddply(example, "id", summarize, 
      newMean = weighted.mean(x=var1, 1/SE1, na.rm = TRUE),
      newSE = 1/sum(1/SE1, na.rm = TRUE)
      )

返回：

    id newmean   newSE
1  Bob  8.8982 0.91917
2 Jeff  4.6375 2.51690
3  Joe  7.8734 1.05064
4  Kim  7.1984 1.04829
5  Sam 11.1130 2.71324
6 Sara  9.8376 1.95649

还检查?summarize和？transform其他一些好的背景。plyr如果需要更复杂的任务，您还可以将匿名函数传递给函数。

或者使用data.table可以更快地完成某些任务的包：

library(data.table)
dt <- data.table(example, key="id")
#f2()
dt[, list(newMean = weighted.mean(var1, 1/SE1, na.rm = TRUE),
          newSE = 1/sum(1/SE1, na.rm = TRUE)),
   by = "id"]

快速基准测试：

library(rbenchmark)
#f1 = plyr, #f2 = data.table
benchmark(f1(), f2(), 
          replications = 1000,
          order = "elapsed",
          columns = c("test", "elapsed", "relative"))

      test elapsed relative
    2 f2()   3.580   1.0000
    1 f1()   6.398   1.7872

在我data.table()的简单笔记本电脑上，这个数据集的速度提高了 ~ 1.8 倍。

于 2012-05-02T04:06:06.797 回答