我试图在 R 中找到惯用的方法，用某个索引向量对数字向量进行分区，找到该分区中所有数字的总和，然后将每个单独的条目除以该分区总和。换句话说，如果我从这个开始：
df <- data.frame(x = c(1,2,3,4,5,6), index = c('a', 'a', 'b', 'b', 'c', 'c'))
我希望输出创建一个向量（我们称之为 z）：
c(1/(1+2), 2/(1+2), 3/(3+4), 3/(3+4), 5/(5+6), 6/(5+6))
如果我这样做是 SQL 并且可以使用窗口函数，我会这样做：
select
x / sum(x) over (partition by index) as z
from df
如果我使用 plyr，我会做这样的事情：
ddply(df, .(index), transform, z = x / sum(x))
但我想知道如何使用标准的 R 函数式编程工具（如 mapply/aggregate 等）来做到这一点。
还有一个选择是ave. 为了更好地衡量，我收集了上面的答案，尽力使它们的输出等效（向量），并使用您的示例数据作为输入提供了超过 1000 次运行的时间。首先，我的回答使用ave: ave(df$x, df$index, FUN = function(z) z/sum(z))。我还展示了一个使用data.table包的示例，因为它通常很快，但我知道您正在寻找基本解决方案，因此如果您愿意，可以忽略它。
现在是一堆时间：
library(data.table)
library(plyr)
dt <- data.table(df)
plyr <- function() ddply(df, .(index), transform, z = x / sum(x))
av <- function() ave(df$x, df$index, FUN = function(z) z/sum(z))
t.apply <- function() unlist(tapply(df$x, df$index, function(x) x/sum(x)))
l.apply <- function() unlist(lapply(split(df$x, df$index), function(x){x/sum(x)}))
b.y <- function() unlist(by(df$x, df$index, function(x){x/sum(x)}))
agg <- function() aggregate(df$x, list(df$index), function(x){x/sum(x)})
d.t <- function() dt[, x/sum(x), by = index]
library(rbenchmark)
benchmark(plyr(), av(), t.apply(), l.apply(), b.y(), agg(), d.t(),
replications = 1000,
columns = c("test", "elapsed", "relative"),
order = "elapsed")
#-----
test elapsed relative
4 l.apply() 0.052 1.000000
2 av() 0.168 3.230769
3 t.apply() 0.257 4.942308
5 b.y() 0.694 13.346154
6 agg() 1.020 19.615385
7 d.t() 2.380 45.769231
1 plyr() 5.119 98.442308
在lapply()这种情况下，解决方案似乎赢了，而且data.table()速度出奇的慢。让我们看看这如何扩展到更大的聚合问题：
df <- data.frame(x = sample(1:100, 1e5, TRUE), index = gl(1000, 100))
dt <- data.table(df)
#Replication code omitted for brevity, used 100 replications and dropped plyr() since I know it
#will be slow by comparison:
test elapsed relative
6 d.t() 2.052 1.000000
1 av() 2.401 1.170078
3 l.apply() 4.660 2.270955
2 t.apply() 9.500 4.629630
4 b.y() 16.329 7.957602
5 agg() 20.541 10.010234
这似乎更符合我的预期。
总之，您有很多不错的选择。找到一种或两种适用于聚合任务应该如何工作的心智模型的方法，并掌握该功能。给猫剥皮的多种方法。
可能对马特来说不够大，但我的笔记本电脑可以处理而不会崩溃：
df <- data.frame(x = sample(1:100, 1e7, TRUE), index = gl(10000, 1000))
dt <- data.table(df)
#-----
test elapsed relative
6 d.t() 0.61 1.000000
1 av() 1.45 2.377049
3 l.apply() 4.61 7.557377
2 t.apply() 8.80 14.426230
4 b.y() 8.92 14.622951
5 agg() 18.20 29.83606
还有其他三种方法：
dat <- 1:6
lev <- rep(1:3, each = 2)
lapply(split(dat, lev), function(x){x/sum(x)})
by(dat, lev, function(x){x/sum(x)})
aggregate(dat, list(lev), function(x){x/sum(x)})
如果您只对单个向量进行操作并且只需要一个索引向量，那么 tapply 非常快
dat <- 1:6
lev <- rep(1:3, each = 2)
tapply(dat, lev, function(x){x/sum(x)})
#$`1`
#[1] 0.3333333 0.6666667
#
#$`2`
#[1] 0.4285714 0.5714286
#
#$`3`
#[1] 0.4545455 0.5454545
#
unlist(tapply(dat, lev, function(x){x/sum(x)}))
# 11 12 21 22 31 32
#0.3333333 0.6666667 0.4285714 0.5714286 0.4545455 0.5454545