0

我有一个数据框，其中每一行都是一个唯一用户，并且有一列表示每个用户的选择以及背景变量的列。在实际数据集中，有 800 多个选项，背景变量可以有 2 到 60 多个级别。

我正在做的是根据各种不同的分组组合查找每个选择的总计数。我已经成功地做到了，但我现在想以一种有意义的方式命名它们。

对这个问题的第一部分有帮助的来源： How to use aggregate with a list of column names

# sample data
d <- data.frame(user_id = 1:12, choice = rep(c("apple", "banana", "banana"),4), cond1 = c("a1", "a1", "a2", "a1", "a2", "a1", "a2", "a2", "a3", "a3", "a3", "a3"), gender = c(rep(c("F", "M"), 6)))

# list of the different grouping combinations (choice will always be one of these terms)
c1 <- list(c("choice", "cond1"), c("choice", "cond1","gender"))  

# variable to be aggregated over
v1 <- c("user_id")    

varNames <- c("cond1Ct", "cond1_GenderCt")         # for later use

counts <- mapply(FUN= function(z,y, ...) {aggregate(d[ , y], by=d[z], ...)},
       c1, v1, MoreArgs=list(FUN=length) )

# assign each part of the output to its own dataframe for later use
cond1 <- counts[[1]]
cond1_Gender <- counts[[2]]

所以这到目前为止有效。

正如R 中聚合中的 Name 列所看到的那样，可以将列名分配给您正在聚合的变量。我无法让它在 mapply 函数调用中工作。这是我的主要问题 --- 我如何自动命名每个分组组合的列表变量。

我这样做的蛮力方法：

# rename the column labeled 'x' in a meaningful way ... should be possible to do using varnames (defined above)

cond1_Gender$cond1_Gender_Ct <- cond1_Gender$x          
cond1$cond1_Ct <- cond1$x
cond1_Gender$x <- NULL
cond1$x <- NULL

cond1_Gender

# bring back the now meaningfuly named columns into the original dataframe    
dUse <- merge(merge(d, cond1), cond1_Gender)  
     # efficiency of this for large dataset and 8+ aggregated datasets???



dUse_Cond <- dUse[!duplicated(dUse[c("choice", "cond1")]),]   # later: use item from list here!
# has extra columns that just get ignored ... but that could be potentially confusing for later users

# repeat for all other grouping variable combinations

# dUse_CondGender <- dUse[!duplicated(dUse[c1[[2]],])]   # (DOES NOT WORK!)

如何以更自动化的方式完成此命名，以便它可以跨数据文件和多个变量工作？

更大的图片：这只是我想要绘制每个分组组合的最佳选择的频率的更大情况的一部分。我有代码可以确定每个分组组合中评价最高的职业，并为分组类别中的每个级别绘制这些频率。

添加 3-25-14：澄清出现这种情况的背景，尽管可能超出了本问题的范围。

个人保存了一个选择（从一长串列表中）。我想知道（以图形和数字方式），对于背景分组变量的不同组合，哪些选择是“最频繁”（及其相应的频率）：即，五年级男性的最频繁选择，或 10 年级学生的最频繁选择状态 X，或所有处于治疗状态的高中生。我有代码可以让我完成每个单独的背景分组：制表（如在这个问题中所做的那样），找到“最常见”的选择，计算该组的频率统计数据，以及基于该组中涉及的变量绘制图表。总体而言，我正在尝试使其更加通用和矢量化，以便后续用户更轻松地定义他们想要查看的背景变量组合。

谢谢！我希望这是有道理的......我在这里阅读了很多问题和答案，但之前没有尝试过发布。

4

3 回答 3

0

我认为这可以通过使用table函数（和类）及其as.data.frame方法产生适合合并的对象来大大简化：

counts <- lapply(c1, function(cond) { as.data.frame( table(d[cond]))}) 
# That returns two 'Freq' vectors (named in the as.dataframe` step) in a list. 

d[order(d[2],d[3],d[4]), varNames] <- lapply(counts, function( cts) {
               merge(d[order(d[2],d[3],d[4]), ], cts )[['Freq']] })
#Could also have `cbind`-ed it. The `d[names] <-` assigned the names. 
#Could also have used `setNames` on the RHS. 

#------------

> d
   user_id choice cond1 gender cond1Ct cond1_GenderCt
1        1  apple    a1      F       2              1
2        2 banana    a1      M       2              2
3        3 banana    a2      F       3              2
4        4  apple    a1      M       2              1
5        5 banana    a2      F       3              2
6        6 banana    a1      M       2              2
7        7  apple    a2      F       1              1
8        8 banana    a2      M       3              1
9        9 banana    a3      F       3              2
10      10  apple    a3      M       1              1
11      11 banana    a3      F       3              2
12      12 banana    a3      M       3              1

我承认我在试图让函数传递计数向量时遇到了一个死胡同ave，但它不接受其索引参数的列表参数。我回顾了我之前开发的一个函数，发现它table确实接受了一个列表。我的第二个承认是我没有意识到分配到有序位置不会重新排序原始对象：

> a <- 10:1
> a[order(a)][2] <-100
> a
 [1]  10   9   8   7   6   5   4   3 100   1  # surprised me anyway.

表对象的as.data.frame方法只是从表条目中创建一个“长”数据框，其中 Freq 列保存计数：

 as.data.frame( table(d[-(1:3)]) )
#-----------------------
   gender cond1Ct cond1_GenderCt Freq
1       F       1              1    1
2       M       1              1    1
3       F       2              1    1
4       M       2              1    1
5       F       3              1    1
6       M       3              1    1
7       F       1              2    0
8       M       1              2    0
9       F       2              2    1
10      M       2              2    1
11      F       3              2    2
12      M       3              2    2
> table(d[-(1:3)]) 
, , cond1_GenderCt = 1

      cond1Ct
gender 1 2 3
     F 1 1 1
     M 1 1 1

, , cond1_GenderCt = 2

      cond1Ct
gender 1 2 3
     F 0 1 2
     M 0 1 2
于 2014-03-22T20:38:43.733 回答
0

您的调用mapply(...)比它需要的更复杂：

counts   <- mapply(FUN= function(z,y) aggregate(d[ , y], by=d[z], FUN=length),
                      c1, "user_id")

如果您想要做的只是自动将x每个数据框中的列重命名为其他名称，这将起作用：

# rename all "x" columns
for (i in 1:length(counts)) 
  colnames(counts[[i]])[ncol(counts[[i]])]<- varNames[i]

为了解决您的核心问题，我需要看一个示例，说明“绘制每个分组组合的最佳选择的频率”的含义。

编辑（对 OP 评论的回应）

如果您的中间目标是将所有内容组合成一个数据框，那么有一种更简单的方法。请注意，这会将名为 as 的聚合列保留x到最后。

counts   <- mapply(FUN= function(z,y) aggregate(d[ , y], by=d[z], FUN=length),
                   c1, "user_id")
mrg <- lapply(counts,function(df)merge(d,df)[,c("user_id","x")])
mrg <- do.call(cbind,lapply(mrg,function(df)merge(d,df,by="user_id")$x))
colnames(mrg) <- varNames
result <- cbind(d,mrg)
result
#    user_id choice cond1 gender cond1Ct cond1_GenderCt
# 1        1  apple    a1      F       2              1
# 2        2 banana    a1      M       2              2
# 3        3 banana    a2      F       3              2
# 4        4  apple    a1      M       2              1
# 5        5 banana    a2      F       3              2
# 6        6 banana    a1      M       2              2
# 7        7  apple    a2      F       1              1
# 8        8 banana    a2      M       3              1
# 9        9 banana    a3      F       3              2
# 10      10  apple    a3      M       1              1
# 11      11 banana    a3      F       3              2
# 12      12 banana    a3      M       3              1

第一次使用lapply(...)

mrg <- lapply(counts,function(df)merge(d,df)[,c("user_id","x")])

创建一个数据帧列表，其中每个数据帧都user_id与适当组合的计数相关联。然后，

mrg <- do.call(cbind,lapply(mrg,function(df)merge(d,df,by="user_id")$x))

将x每个列组合成一个按 . 正确排序的数据框user_id。最后，

result <- cbind(d,mrg)

将列与d已经按user_id顺序排列的原始数据框组合在一起。

同样，了解您的最终目标会更好，因为几乎可以肯定有一种方法可以在不经历所有这些的情况下实现它。

于 2014-03-22T22:00:12.817 回答
0

使用该包plyr似乎大大简化了代码并处理了具有缺失值的分组变量和一个 id 有多个选择的实例（当我将其带回更大的数据集时，这两种情况都出现了）。

library (plyr)
d2 <- data.frame(user_id = 1:12, choice = rep(c("apple", "banana", "banana"),4), 
                 cond1 = c("a1", "a1", "a2", "a1", "a2", "a1", "a2", "a2", "a3", "a3", "a3", "a3"), 
                 gender = c(rep(c("F", "M"), 6)))

d2$user_id[7] <- 5         # modify the dataset some
d2$gender[10] <- NA

tmp1 <- ddply(d2, ~cond1 + gender + choice, summarize, cond1_GenderCt = length(choice))     
tmp2 <- ddply(d2, ~cond1 + choice, summarize, cond1Ct = length(choice))     
result2 <- merge (tmp2, merge(tmp1, d2))
result2

这将创建一个带有命名变量的数据框，这些变量带回了每组分组变量中每个选择的频率。

编辑：所以我显然忘记了我自己问题的要点！处理不同的变量组合。 

doddply <- function(df, x){
  ddply(df,x,summarize,nChoice = length(choice))
}

lapply (c2, function (x) {doddply(d2, x)})

这似乎是上面 doddply 函数的一个变体，它采用 varNames 列表以及“nChoice”的源并由 mapply 调用会有所帮助，但我无法让它工作。

所以这最终与@jlhoward 的解决方案完全相同...... counts 变量之后的代码仍然是命名和合并所需要的。（我把它留在这里只是另一种达到这一点的方法）。

于 2014-03-30T14:29:47.140 回答