在列组上应用函数

Question

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。

Answer 1

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])))

Answer 2

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

Answer 3

@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)

Answer 4

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])) }))

Answer 5

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！

Answer 6

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