Agregue / resum múltiples variables por grupo (por ejemplo, sum, media)

A partir de un dataframe, ¿existe una manera fácil de agregar ( sum , mean , max , etc.) múltiples variables simultáneamente?

A continuación hay algunos datos de muestra:

 library(lubridate) days = 365*2 date = seq(as.Date("2000-01-01"), length = days, by = "day") year = year(date) month = month(date) x1 = cumsum(rnorm(days, 0.05)) x2 = cumsum(rnorm(days, 0.05)) df1 = data.frame(date, year, month, x1, x2) 

Me gustaría agregar simultáneamente las variables x1 y x2 del dataframe df2 por año y mes. El siguiente código agrega la variable x1 , ¿pero también es posible agregar simultáneamente la variable x2 ?

 ### aggregate variables by year month df2=aggregate(x1 ~ year+month, data=df1, sum, na.rm=TRUE) head(df2) 

Cualquier sugerencia sería muy apreciada.

¿De dónde es este year() función?

También podría usar el paquete reshape2 para esta tarea:

 require(reshape2) df_melt < - melt(df1, id = c("date", "year", "month")) dcast(df_melt, year + month ~ variable, sum) # year month x1 x2 1 2000 1 -80.83405 -224.9540159 2 2000 2 -223.76331 -288.2418017 3 2000 3 -188.83930 -481.5601913 4 2000 4 -197.47797 -473.7137420 5 2000 5 -259.07928 -372.4563522 

Sí, en su formula , puede cbind las variables numéricas que se cbind :

 aggregate(cbind(x1, x2) ~ year + month, data = df1, sum, na.rm = TRUE) year month x1 x2 1 2000 1 7.862002 -7.469298 2 2001 1 276.758209 474.384252 3 2000 2 13.122369 -128.122613 ... 23 2000 12 63.436507 449.794454 24 2001 12 999.472226 922.726589 

Ver ?aggregate , el argumento de la formula y los ejemplos.

Usar el paquete data.table , que es rápido (útil para conjuntos de datos más grandes)

https://github.com/Rdatatable/data.table/wiki

 library(data.table) df2 < - setDT(df1)[, lapply(.SD, sum), by=.(year, month), .SDcols=c("x1","x2")] setDF(df2) # convert back to dataframe 

Usando el paquete plyr

 require(plyr) df2 < - ddply(df1, c("year", "month"), function(x) colSums(x[c("x1", "x2")])) 

Usando summarize () del paquete Hmisc (los encabezados de las columnas son desordenados en mi ejemplo)

 # need to detach plyr because plyr and Hmisc both have a summarize() detach(package:plyr) require(Hmisc) df2 < - with(df1, summarize( cbind(x1, x2), by=llist(year, month), FUN=colSums)) 

Con el paquete dplyr , puede usar las summarise_all , summarise_at o summarise_if para agregar múltiples variables simultáneamente. Para el conjunto de datos de ejemplo, puede hacer esto de la siguiente manera:

 library(dplyr) # summarising all non-grouping variables df2 < - df1 %>% group_by(year, month) %>% summarise_all(sum) # summarising a specific set of non-grouping variables df2 < - df1 %>% group_by(year, month) %>% summarise_at(vars(x1, x2), sum) df2 < - df1 %>% group_by(year, month) %>% summarise_at(vars(-date), sum) # summarising a specific set of non-grouping variables based on condition (class) df2 < - df1 %>% group_by(year, month) %>% summarise_if(is.numeric, sum) 

El resultado de las últimas dos opciones:

  year month x1 x2     1 2000 1 -73.58134 -92.78595 2 2000 2 -57.81334 -152.36983 3 2000 3 122.68758 153.55243 4 2000 4 450.24980 285.56374 5 2000 5 678.37867 384.42888 6 2000 6 792.68696 530.28694 7 2000 7 908.58795 452.31222 8 2000 8 710.69928 719.35225 9 2000 9 725.06079 914.93687 10 2000 10 770.60304 863.39337 # ... with 14 more rows 

Nota: summarise_each está en desuso en favor de summarise_all , summarise_at y summarise_if .


Como mencioné en mi comentario anterior , también puede usar la función de recast del reshape2 :

 library(reshape2) recast(df1, year + month ~ variable, sum, id.var = c("date", "year", "month")) 

que le dará el mismo resultado.

Tarde a la fiesta, pero recientemente encontré otra forma de obtener las estadísticas de resumen.

library(psych) describe(data)

Salida: media, mínima, máxima, desviación estándar, n, error estándar, curtosis, asimetría, mediana y rango para cada variable.