[r] 그룹화 기능 (적용, 집계,) 및 * 적용 제품군

이 게시물에 대한 (매우 훌륭한) 답변 by과 aggregate설명 이 없음을 깨달았습니다 . 여기 내 공헌이 있습니다.

으로

by로 문서에 명시된 기능을위한 “래퍼”로,하지만 될 수 있습니다 tapply. 처리 할 수없는 by작업을 계산하려고 할 때 의 힘이 발생합니다 tapply. 한 가지 예는 다음 코드입니다.

ct <- tapply(iris$Sepal.Width , iris$Species , summary )
cb <- by(iris$Sepal.Width , iris$Species , summary )

 cb
iris$Species: setosa
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.300   3.200   3.400   3.428   3.675   4.400
--------------------------------------------------------------
iris$Species: versicolor
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.000   2.525   2.800   2.770   3.000   3.400
--------------------------------------------------------------
iris$Species: virginica
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.200   2.800   3.000   2.974   3.175   3.800


ct
$setosa
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.300   3.200   3.400   3.428   3.675   4.400

$versicolor
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.000   2.525   2.800   2.770   3.000   3.400

$virginica
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  2.200   2.800   3.000   2.974   3.175   3.800 

우리가이 두 개체를 인쇄하는 경우 ct와 cb, 우리는 “기본적으로”동일한 결과를 유일한 차이는 그들이 어떻게 표시되고 다른에있는 class각각의 속성 by에 대한 cb및 array대한 ct.

내가 말했듯이, by우리가 사용할 수 없을 때 의 힘이 생깁니다 tapply. 다음 코드는 한 가지 예입니다.

 tapply(iris, iris$Species, summary )
Error in tapply(iris, iris$Species, summary) :
  arguments must have same length

R은 인수의 길이가 같아야한다고 말합니다. “인수 summary를 iris따라 모든 변수 를 계산하고 싶습니다 Species“: R은 처리 방법을 모르기 때문에 그렇게 할 수 없습니다.

by함수 R을 사용하면 data frame클래스에 대한 특정 메소드를 전달한 다음 summary첫 번째 인수의 길이 (및 유형도)가 다른 경우에도 함수가 작동하게합니다.

bywork <- by(iris, iris$Species, summary )

bywork
iris$Species: setosa
  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species
 Min.   :4.300   Min.   :2.300   Min.   :1.000   Min.   :0.100   setosa    :50
 1st Qu.:4.800   1st Qu.:3.200   1st Qu.:1.400   1st Qu.:0.200   versicolor: 0
 Median :5.000   Median :3.400   Median :1.500   Median :0.200   virginica : 0
 Mean   :5.006   Mean   :3.428   Mean   :1.462   Mean   :0.246
 3rd Qu.:5.200   3rd Qu.:3.675   3rd Qu.:1.575   3rd Qu.:0.300
 Max.   :5.800   Max.   :4.400   Max.   :1.900   Max.   :0.600
--------------------------------------------------------------
iris$Species: versicolor
  Sepal.Length    Sepal.Width     Petal.Length   Petal.Width          Species
 Min.   :4.900   Min.   :2.000   Min.   :3.00   Min.   :1.000   setosa    : 0
 1st Qu.:5.600   1st Qu.:2.525   1st Qu.:4.00   1st Qu.:1.200   versicolor:50
 Median :5.900   Median :2.800   Median :4.35   Median :1.300   virginica : 0
 Mean   :5.936   Mean   :2.770   Mean   :4.26   Mean   :1.326
 3rd Qu.:6.300   3rd Qu.:3.000   3rd Qu.:4.60   3rd Qu.:1.500
 Max.   :7.000   Max.   :3.400   Max.   :5.10   Max.   :1.800
--------------------------------------------------------------
iris$Species: virginica
  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species
 Min.   :4.900   Min.   :2.200   Min.   :4.500   Min.   :1.400   setosa    : 0
 1st Qu.:6.225   1st Qu.:2.800   1st Qu.:5.100   1st Qu.:1.800   versicolor: 0
 Median :6.500   Median :3.000   Median :5.550   Median :2.000   virginica :50
 Mean   :6.588   Mean   :2.974   Mean   :5.552   Mean   :2.026
 3rd Qu.:6.900   3rd Qu.:3.175   3rd Qu.:5.875   3rd Qu.:2.300
 Max.   :7.900   Max.   :3.800   Max.   :6.900   Max.   :2.500     

실제로 작동하며 결과는 매우 놀랍습니다. 이 클래스의 목적 by에 따라 그 Species(예를 들어, 그들 각각에 대해)를 계산하는 summary각 변수를.

첫 번째 인수가 data frame인 경우 전달 된 함수에는 해당 객체 클래스에 대한 메소드가 있어야합니다. 예를 들어이 mean코드를 전혀 이해하지 못하는 함수 와 함께 사용하는 것입니다.

 by(iris, iris$Species, mean)
iris$Species: setosa
[1] NA
-------------------------------------------
iris$Species: versicolor
[1] NA
-------------------------------------------
iris$Species: virginica
[1] NA
Warning messages:
1: In mean.default(data[x, , drop = FALSE], ...) :
  argument is not numeric or logical: returning NA
2: In mean.default(data[x, , drop = FALSE], ...) :
  argument is not numeric or logical: returning NA
3: In mean.default(data[x, , drop = FALSE], ...) :
  argument is not numeric or logical: returning NA

골재

aggregatetapply우리가 그런 식으로 사용 한다면 또 다른 사용 방법으로 볼 수 있습니다 .

at <- tapply(iris$Sepal.Length , iris$Species , mean)
ag <- aggregate(iris$Sepal.Length , list(iris$Species), mean)

 at
    setosa versicolor  virginica
     5.006      5.936      6.588
 ag
     Group.1     x
1     setosa 5.006
2 versicolor 5.936
3  virginica 6.588

두 즉시 차이는 두 번째 인자가되어 aggregate 있어야 하는 동안 목록이 tapply CAN (필수 생략)리스트하고 출력이 그 aggregate중 하나가 동시에 데이터 프레임 tapply이다 array.

이것의 aggregate장점은 subset인수로 데이터의 하위 집합을 쉽게 처리 할 수 있으며 ts개체 및 메서드에 대한 메서드가 있다는 것 formula입니다.

이러한 요소 는 일부 상황에서 aggregate보다 쉽게 ​​작업 할 수 tapply있습니다. 다음은 몇 가지 예입니다 (문서에서 사용 가능).

ag <- aggregate(len ~ ., data = ToothGrowth, mean)

 ag
  supp dose   len
1   OJ  0.5 13.23
2   VC  0.5  7.98
3   OJ  1.0 22.70
4   VC  1.0 16.77
5   OJ  2.0 26.06
6   VC  2.0 26.14

우리는 같은 것을 달성 할 수 tapply있지만 구문은 약간 어렵고 출력 (일부 상황에서는)을 읽을 수 없습니다.

att <- tapply(ToothGrowth$len, list(ToothGrowth$dose, ToothGrowth$supp), mean)

 att
       OJ    VC
0.5 13.23  7.98
1   22.70 16.77
2   26.06 26.14

이 우리가 사용할 수없는 다른 배 by또는 tapply우리가 사용해야합니다 aggregate.

 ag1 <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)

 ag1
  Month    Ozone     Temp
1     5 23.61538 66.73077
2     6 29.44444 78.22222
3     7 59.11538 83.88462
4     8 59.96154 83.96154
5     9 31.44828 76.89655

tapply한 번의 호출로 이전 결과를 얻을 수는 없지만 Month각 요소 의 평균을 계산 한 다음 결합해야합니다 ( 함수 na.rm = TRUE의 formula메소드는 aggregate기본적 으로을 갖기 때문에을 호출해야 함 na.action = na.omit).

ta1 <- tapply(airquality$Ozone, airquality$Month, mean, na.rm = TRUE)
ta2 <- tapply(airquality$Temp, airquality$Month, mean, na.rm = TRUE)

 cbind(ta1, ta2)
       ta1      ta2
5 23.61538 65.54839
6 29.44444 79.10000
7 59.11538 83.90323
8 59.96154 83.96774
9 31.44828 76.90000

그러나 by실제로 다음 함수 호출은 오류를 반환합니다 (그러나 대부분 제공된 함수와 관련이 있습니다 mean).

by(airquality[c("Ozone", "Temp")], airquality$Month, mean, na.rm = TRUE)

다른 경우에는 결과가 동일하고 차이점은 클래스에 있습니다 (그리고 그 결과가 어떻게 하위 세트로 표시 되는가뿐만 아니라 표시 / 인쇄되는 방식).

byagg <- by(airquality[c("Ozone", "Temp")], airquality$Month, summary)
aggagg <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, summary)

앞의 코드는 동일한 목표와 결과를 얻습니다. 어떤 시점에서 사용할 도구는 개인적인 취향과 요구의 문제입니다. 앞의 두 객체는 ​​서브 셋팅 측면에서 매우 다른 요구를 가지고 있습니다.

답변

library(dplyr)
library(data.table)
set.seed(123)
n = 5e7
k = 5e5
x = runif(n)
grp = sample(k, n, TRUE)

timing = list()

# sapply
timing[["sapply"]] = system.time({
    lt = split(x, grp)
    r.sapply = sapply(lt, function(x) list(sum(x), length(x)), simplify = FALSE)
})

# lapply
timing[["lapply"]] = system.time({
    lt = split(x, grp)
    r.lapply = lapply(lt, function(x) list(sum(x), length(x)))
})

# tapply
timing[["tapply"]] = system.time(
    r.tapply <- tapply(x, list(grp), function(x) list(sum(x), length(x)))
)

# by
timing[["by"]] = system.time(
    r.by <- by(x, list(grp), function(x) list(sum(x), length(x)), simplify = FALSE)
)

# aggregate
timing[["aggregate"]] = system.time(
    r.aggregate <- aggregate(x, list(grp), function(x) list(sum(x), length(x)), simplify = FALSE)
)

# dplyr
timing[["dplyr"]] = system.time({
    df = data_frame(x, grp)
    r.dplyr = summarise(group_by(df, grp), sum(x), n())
})

# data.table
timing[["data.table"]] = system.time({
    dt = setnames(setDT(list(x, grp)), c("x","grp"))
    r.data.table = dt[, .(sum(x), .N), grp]
})

# all output size match to group count
sapply(list(sapply=r.sapply, lapply=r.lapply, tapply=r.tapply, by=r.by, aggregate=r.aggregate, dplyr=r.dplyr, data.table=r.data.table),
       function(x) (if(is.data.frame(x)) nrow else length)(x)==k)
#    sapply     lapply     tapply         by  aggregate      dplyr data.table 
#      TRUE       TRUE       TRUE       TRUE       TRUE       TRUE       TRUE 

# print timings
as.data.table(sapply(timing, `[[`, "elapsed"), keep.rownames = TRUE
              )[,.(fun = V1, elapsed = V2)
                ][order(-elapsed)]
#          fun elapsed
#1:  aggregate 109.139
#2:         by  25.738
#3:      dplyr  18.978
#4:     tapply  17.006
#5:     lapply  11.524
#6:     sapply  11.326
#7: data.table   2.686

The outer product of the arrays X and Y is the array A with dimension
c(dim(X), dim(Y)) where element A[c(arrayindex.x, arrayindex.y)] =
FUN(X[arrayindex.x], Y[arrayindex.y], ...).

 A<-c(1,3,5,7,9)
 B<-c(0,3,6,9,12)

mapply(FUN=pmax, A, B)

> mapply(FUN=pmax, A, B)
[1]  1  3  6  9 12

outer(A,B, pmax)

 > outer(A,B, pmax)
      [,1] [,2] [,3] [,4] [,5]
 [1,]    1    3    6    9   12
 [2,]    3    3    6    9   12
 [3,]    5    5    6    9   12
 [4,]    7    7    7    9   12
 [5,]    9    9    9    9   12

A<-c(1,3,5,7,9)
B<-c(0,3,6,9,12)
C<-list(x=1, y=2)
D<-function(x){x+1}

> eapply(.GlobalEnv, is.function)
$A
[1] FALSE

$B
[1] FALSE

$C
[1] FALSE

$D
[1] TRUE