[英]apply a function over groups of columns
如何使用apply
或相关函数创建一个新数据框,其中包含非常大的数据框中每对列的行平均值的结果?
我有一台仪器在大量样品上输出n
重复测量,其中每次测量都是一个矢量(所有测量都是相同的长度矢量)。 我想计算每个样本的所有重复测量的平均值(和其他统计数据)。 这意味着我需要将n
个连续列组合在一起并进行逐行计算。
举一个简单的例子,对两个样本进行三次重复测量,我怎么能得到一个有两列(每个样本一个)的数据帧,一个是dat$a
每个重复行的平均值, dat$b
和dat$c
和一个是dat$d
, dat$e
和dat$f
的每一行的平均值。
这是一些示例数据
dat <- data.frame( a = rnorm(16), b = rnorm(16), c = rnorm(16), d = rnorm(16), e = rnorm(16), f = rnorm(16))
a b c d e f
1 -0.9089594 -0.8144765 0.872691548 0.4051094 -0.09705234 -1.5100709
2 0.7993102 0.3243804 0.394560355 0.6646588 0.91033497 2.2504104
3 0.2963102 -0.2911078 -0.243723116 1.0661698 -0.89747522 -0.8455833
4 -0.4311512 -0.5997466 -0.545381175 0.3495578 0.38359390 0.4999425
5 -0.4955802 1.8949285 -0.266580411 1.2773987 -0.79373386 -1.8664651
6 1.0957793 -0.3326867 -1.116623982 -0.8584253 0.83704172 1.8368212
7 -0.2529444 0.5792413 -0.001950741 0.2661068 1.17515099 0.4875377
8 1.2560402 0.1354533 1.440160168 -2.1295397 2.05025701 1.0377283
9 0.8123061 0.4453768 1.598246016 0.7146553 -1.09476532 0.0600665
10 0.1084029 -0.4934862 -0.584671816 -0.8096653 1.54466019 -1.8117459
11 -0.8152812 0.9494620 0.100909570 1.5944528 1.56724269 0.6839954
12 0.3130357 2.6245864 1.750448404 -0.7494403 1.06055267 1.0358267
13 1.1976817 -1.2110708 0.719397607 -0.2690107 0.83364274 -0.6895936
14 -2.1860098 -0.8488031 -0.302743475 -0.7348443 0.34302096 -0.8024803
15 0.2361756 0.6773727 1.279737692 0.8742478 -0.03064782 -0.4874172
16 -1.5634527 -0.8276335 0.753090683 2.0394865 0.79006103 0.5704210
我是在经历这样的事情
X1 X2
1 -0.28358147 -0.40067128
2 0.50608365 1.27513471
3 -0.07950691 -0.22562957
4 -0.52542633 0.41103139
5 0.37758930 -0.46093340
6 -0.11784382 0.60514586
7 0.10811540 0.64293184
8 0.94388455 0.31948189
9 0.95197629 -0.10668118
10 -0.32325169 -0.35891702
11 0.07836345 1.28189698
12 1.56269017 0.44897971
13 0.23533617 -0.04165384
14 -1.11251880 -0.39810121
15 0.73109533 0.11872758
16 -0.54599850 1.13332286
我对此做了什么,但显然对我更大的数据框架没有好处......
data.frame(cbind(
apply(cbind(dat$a, dat$b, dat$c), 1, mean),
apply(cbind(dat$d, dat$e, dat$f), 1, mean)
))
我已经尝试过apply
和循环,并不能完全融合在一起。 我的实际数据有几百列。
通过索引列表,这可能更适合您的情况。 如果速度是一个问题(大数据帧)我会选择lapply
与do.call
而非sapply
:
x <- list(1:3, 4:6)
do.call(cbind, lapply(x, function(i) rowMeans(dat[, i])))
如果您只有col名称也可以工作:
x <- list(c('a','b','c'), c('d', 'e', 'f'))
do.call(cbind, lapply(x, function(i) rowMeans(dat[, i])))
编辑
碰巧想想也许你想要自动执行每三列。 我知道有一种更好的方法,但这里是100列数据集:
dat <- data.frame(matrix(rnorm(16*100), ncol=100))
n <- 1:ncol(dat)
ind <- matrix(c(n, rep(NA, 3 - ncol(dat)%%3)), byrow=TRUE, ncol=3)
ind <- data.frame(t(na.omit(ind)))
do.call(cbind, lapply(ind, function(i) rowMeans(dat[, i])))
编辑2仍然不满意索引。 我认为有更好/更快的方式来传递索引。 这是第二种虽然不令人满意的方法:
n <- 1:ncol(dat)
ind <- data.frame(matrix(c(n, rep(NA, 3 - ncol(dat)%%3)), byrow=F, nrow=3))
nonna <- sapply(ind, function(x) all(!is.na(x)))
ind <- ind[, nonna]
do.call(cbind, lapply(ind, function(i)rowMeans(dat[, i])))
来自向量a,b,c的行的平均值
rowMeans(dat[1:3])
表示来自向量d,e,f的行
rowMeans(dat[4:6])
你得到一个电话
results<-cbind(rowMeans(dat[1:3]),rowMeans(dat[4:6]))
如果您只知道列的名称而不知道订单,那么您可以使用:
rowMeans(cbind(dat["a"],dat["b"],dat["c"]))
rowMeans(cbind(dat["d"],dat["e"],dat["f"]))
#I dont know how much damage this does to speed but should still be quick
@david在这里提出了一个类似的问题: 在r (现已关闭)中平均每16列 ,我根据@joran和@Ben的建议,通过调整@ TylerRinker上面的答案来回答。 因为生成的函数可能对OP或未来的读者有所帮助,我在这里复制该函数,以及OP数据的示例。
# Function to apply 'fun' to object 'x' over every 'by' columns
# Alternatively, 'by' may be a vector of groups
byapply <- function(x, by, fun, ...)
{
# Create index list
if (length(by) == 1)
{
nc <- ncol(x)
split.index <- rep(1:ceiling(nc / by), each = by, length.out = nc)
} else # 'by' is a vector of groups
{
nc <- length(by)
split.index <- by
}
index.list <- split(seq(from = 1, to = nc), split.index)
# Pass index list to fun using sapply() and return object
sapply(index.list, function(i)
{
do.call(fun, list(x[, i], ...))
})
}
然后,找到重复的平均值:
byapply(dat, 3, rowMeans)
或者,也许是重复的标准偏差:
byapply(dat, 3, apply, 1, sd)
更新
by
也可以指定为组的向量:
byapply(dat, c(1,1,1,2,2,2), rowMeans)
该rowMeans
解决方案会更快,但为了完整性这里是你如何可能做到这一点与apply
:
t(apply(dat,1,function(x){ c(mean(x[1:3]),mean(x[4:6])) }))
受到@joran的建议的启发,我想出了这个(实际上与他建议的有点不同,尽管转置建议特别有用):
使用p
cols创建示例数据的数据框以模拟真实的数据集(遵循@ TylerRinker上面的答案,而不像我在问题中的不良示例)
p <- 99 # how many columns?
dat <- data.frame(matrix(rnorm(4*p), ncol = p))
重命名此数据框中的列以创建n
个连续列的组,这样如果我对三列组感兴趣,我会得到列名,如1,1,1,2,2,2,3,3,3等等或者如果我想要四列的组,它将是1,1,1,1,2,2,2,3,3,3,3等我现在要用三个(我猜)对于像我这样对索引知之甚少的人来说,这是一种索引)
n <- 3 # how many consecutive columns in the groups of interest?
names(dat) <- rep(seq(1:(ncol(dat)/n)), each = n, len = (ncol(dat)))
现在使用apply和tapply为每个组获取行方式
dat.avs <- data.frame(t(apply(dat, 1, tapply, names(dat), mean)))
主要的缺点是原始数据中的列名被替换(虽然这可以通过将分组编号放在一个新行而不是列中来克服),并且apply-tapply函数返回的列名称无用订购。
继@joran的建议,这是一个data.table
解决方案:
p <- 99 # how many columns?
dat <- data.frame(matrix(rnorm(4*p), ncol = p))
dat.t <- data.frame(t(dat))
n <- 3 # how many consecutive columns in the groups of interest?
dat.t$groups <- as.character(rep(seq(1:(ncol(dat)/n)), each = n, len = (ncol(dat))))
library(data.table)
DT <- data.table(dat.t)
setkey(DT, groups)
dat.av <- DT[, lapply(.SD,mean), by=groups]
感谢大家的快速耐心努力!
如果您有兴趣将函数应用于每个独特的列组合(称为组合学),那么有一个非常简单的解决方案。
combinations <- combn(colnames(df),2,function(x) rowMeans(df[x]))
要计算三列等每个唯一组合的统计数据,只需将2更改为3.操作是矢量化的,因此比循环更快,例如上面使用的apply
族函数。 如果列的顺序很重要,那么你需要一个设计来重现有序集的置换算法: combinat::permn
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.