使用 R 聚合复杂的数据帧（对于初学者）
Aggregating complex dataframe with R (for a beginner)
我是 R 的新手。我正在尝试学习以不同方式聚合一些数据的最佳方法。我有一些编程经验，但我对 R 的语法还不太熟悉。
我现在的数据：
我有一个大型数据框，其中包含阅读时间实验的测量值，其格式与下面的虚构代码段类似。每行代表一个单独的度量，带有关于它的描述信息。每个参与者在数据框中占据很多行，每一行代表一个不同的实验项目：
| Participant | Item | Type | Condition1 | Condition2 | rtMeasure | list |
|-------------|------|------|------------|------------|-----------|---------|
| 10059 | 215 | Q | FALSE | TRUE | 4215.591 | qiList2 |
| 10059 | 113 | F | FALSE | FALSE | 3472.066 | qiList2 |
| 10059 | 9 | B | FALSE | FALSE | 4201.406 | qiList2 |
| 10059 | 303 | W | FALSE | TRUE | 3619.791 | qiList2 |
| 10060 | 215 | Q | FALSE | TRUE | 4985.057 | qiList2 |
| 10060 | 113 | F | FALSE | FALSE | 3247.489 | qiList2 |
| 10060 | 9 | C | TRUE | FALSE | 2543.65 | qiList2 |
| 10060 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
| 10061 | 215 | Q | FALSE | TRUE | 2885.469 | qiList2 |
| 10061 | 113 | F | FALSE | FALSE | 5901.188 | qiList2 |
| 10061 | 9 | D | FALSE | TRUE | 3326.375 | qiList2 |
| 10061 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
| 10062 | 215 | Q | FALSE | TRUE | 2885.469 | qiList2 |
| 10062 | 113 | F | FALSE | FALSE | 5901.188 | qiList2 |
| 10062 | 9 | A | TRUE | TRUE | 3326.375 | qiList2 |
| 10062 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
下面简要介绍了这些列：
Participant: 一个数字指向一个单独的主题Item：记录该小节时出现的项目，即项目编号Type：这是对句子的描述，有时是多余的。
Q, F, W：填充项，这些项与项号 A, B, C, D：不同版本的实验操作项目，即参与者可能会看到 11A，因此不会看到 11B 11C 或 11D。
Condition1 & Condition 2：多余。更明确地描述操作的编码也在类型列中编码（例如 Bs 是 -Condition1，-Condition2；Cs 是 +Condition1，-Condition2）rtMeasure：实际测量值（在本例中，读取时间以毫秒为单位）。List：冗余（映射 Type 到 Participant）。呈现给主题的列表。
我想得到的（探索值）：
例如，我想发现给定参与者对类型 A 和 B 项目的平均值 rtMeasure。我还想要给定参与者的总体平均值 rtMeasure。我也希望看到参与者之间句子类型的相似探索值。
我想转换成矩阵吗？
如果我将我的数据框重组为类似 Participant by (Item+Type) 及其转置版本，那么执行上述操作似乎会更容易。即：
| Participant | rtMeasure(Item 1, Type A) | rtMeasure(Item 1, Type B) | ... | rtMeasure(Item 323, Type W) |
|-------------|---------------------------|---------------------------|-----|-----------------------------|
| 12345 | 3343.334 | NA | ... | 2342.115 |
| 12346 | NA | 3343.334 | ... | 2145.23 |
| 12346 | NA | NA | ... | 2511.12 |
并转置：
| Participant | 12345 | 12346 | ... | 12400 |
|---------------------------|--------|--------|-----|--------|
| rtMeasure(Item 1, Type A) | 2341.2 | NA | ... | 1903.6 |
| rtMeasure(Item 1, Type B) | NA | 3012.4 | ... | NA |
plyr 包似乎可以满足我的需求，但我不清楚如何攻击它。
我会使用这样的函数吗？
我可以看到解决方案是一个自定义函数，与我在下面的尝试有些相似，但我不知道如何将其转换为 R...我对 JavaScript 语法最满意，所以我将对其进行近似，但假设我有一个 R 数据框可以使用。
// assume data is the dataframe at the start of this post
var participants = valuesOf(data$Participant);
var matrix = []
for (participantId in participants) {
var participant = {};
participant.id = participantId;
for (measure in dataframe[data$participant === participantId]) {
measureLabel = measure.Item + ' ' + measure.Type;
participant[measureLabel] = measure.rtMeasure;
}
matrix.push(participant);
}
上面的代码执行后，我希望 matrix 是一个 participant 对象的数组，其中属性是度量值，标记为“Item Type”
根据 Frank's suggestion, I attempted to create a MCVE. As he hinted might happen, I found the answer I was looking for by forcing myself to actually read through the somewhat intimidating tutorial for the plyr package: The Split-Apply-Combine Strategy for Data Analysis.
我还发现 Summarizing data in http://www.cookbook-r.com/ 很有帮助。
基本上我发现了如何使用 ddply，plyr 函数用于将数据帧聚合成不同的数据帧。
在我原来的问题中，我问的是如何看待
- 给定参与者的平均 rtMeasure
- 给定参与者的 A 类和 B 类项目的平均 rtMeasure
- 参与者之间句子类型的相似探索值
我将概述我是如何做每件事的，以防其他人发现它有用。
首先，载入一些编造的数据：
> df <- read.csv('df.csv')
> df
participants items types condition1 condition2 rtMeasures
1 1001 101 F FALSE TRUE 3852.823
2 1001 213 Q TRUE TRUE 2499.445
3 1001 1 C FALSE FALSE 2811.198
4 1001 312 W TRUE TRUE 2200.470
5 1001 113 F TRUE FALSE 2419.663
6 1002 101 F FALSE TRUE 1833.647
7 1002 213 Q TRUE TRUE 2381.160
8 1002 1 B FALSE FALSE 2415.385
9 1002 312 W TRUE TRUE 2788.386
10 1002 113 F TRUE FALSE 2665.298
第一个很简单。
使用 ddply 获取每个参与者的平均 rtMeasure：
> ddply(df, .(participants), summarize, mean=mean(rtMeasures), N=length(participants));
participants mean N
1 1001 2756.720 5
2 1002 2416.775 5
第二个有点棘手。可能有更好的方法，但对于快速而肮脏的解决方案，这是有效的。
使用 ddply 获取每个参与者的每种类型的平均 rtMeasure：
> ddply(df, .(participants, "is type Q or W"=(types %in% c('Q', 'W'))), summarize, mean=mean(rtMeasures), N=length(participants));
participants is type Q or W mean N
1 1001 FALSE 3027.895 3
2 1001 TRUE 2349.958 2
3 1002 FALSE 2304.777 3
4 1002 TRUE 2584.773 2
明确地说，我根据度量的 "type" 是 Q 还是 W 来划分数据。因此，对于我的示例，"is type Q or W" 列列出的行 FALSE 显示 ABCDF 类措施的参与者的手段；该列为 TRUE 的行表示 QW 类型度量的平均值。在我的实际数据中，这些 "types" 已经是二进制编码的，所以应该不会那么乱。
按 items 或 condition1 或数据框中的任何其他描述符进行分组同样容易。
> ddply(df, .(items, types), summarize, mean=mean(rtMeasures), N=length(participants));
items types mean N
1 1 B 2415.385 1
2 1 C 2811.198 1
3 101 F 2843.235 2
4 113 F 2542.481 2
5 213 Q 2440.302 2
6 312 W 2494.428 2
越来越喜欢...
> ddply(df, .(Context=(condition1==FALSE & condition2==FALSE)), summarize, mean=mean(rtMeasures), N=length(participants));
Context mean N
1 FALSE 2580.112 8
2 TRUE 2613.291 2
我是 R 的新手。我正在尝试学习以不同方式聚合一些数据的最佳方法。我有一些编程经验，但我对 R 的语法还不太熟悉。
我现在的数据：
我有一个大型数据框，其中包含阅读时间实验的测量值，其格式与下面的虚构代码段类似。每行代表一个单独的度量，带有关于它的描述信息。每个参与者在数据框中占据很多行，每一行代表一个不同的实验项目：
| Participant | Item | Type | Condition1 | Condition2 | rtMeasure | list |
|-------------|------|------|------------|------------|-----------|---------|
| 10059 | 215 | Q | FALSE | TRUE | 4215.591 | qiList2 |
| 10059 | 113 | F | FALSE | FALSE | 3472.066 | qiList2 |
| 10059 | 9 | B | FALSE | FALSE | 4201.406 | qiList2 |
| 10059 | 303 | W | FALSE | TRUE | 3619.791 | qiList2 |
| 10060 | 215 | Q | FALSE | TRUE | 4985.057 | qiList2 |
| 10060 | 113 | F | FALSE | FALSE | 3247.489 | qiList2 |
| 10060 | 9 | C | TRUE | FALSE | 2543.65 | qiList2 |
| 10060 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
| 10061 | 215 | Q | FALSE | TRUE | 2885.469 | qiList2 |
| 10061 | 113 | F | FALSE | FALSE | 5901.188 | qiList2 |
| 10061 | 9 | D | FALSE | TRUE | 3326.375 | qiList2 |
| 10061 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
| 10062 | 215 | Q | FALSE | TRUE | 2885.469 | qiList2 |
| 10062 | 113 | F | FALSE | FALSE | 5901.188 | qiList2 |
| 10062 | 9 | A | TRUE | TRUE | 3326.375 | qiList2 |
| 10062 | 303 | W | FALSE | TRUE | 3194.199 | qiList2 |
下面简要介绍了这些列：
Participant: 一个数字指向一个单独的主题Item：记录该小节时出现的项目，即项目编号Type：这是对句子的描述，有时是多余的。Q, F, W：填充项，这些项与项号 是多余的
A, B, C, D：不同版本的实验操作项目，即参与者可能会看到 11A，因此不会看到 11B 11C 或 11D。
Condition1 & Condition 2：多余。更明确地描述操作的编码也在类型列中编码（例如 Bs 是 -Condition1，-Condition2；Cs 是 +Condition1，-Condition2）rtMeasure：实际测量值（在本例中，读取时间以毫秒为单位）。List：冗余（映射Type到Participant）。呈现给主题的列表。
我想得到的（探索值）：
例如，我想发现给定参与者对类型 A 和 B 项目的平均值 rtMeasure。我还想要给定参与者的总体平均值 rtMeasure。我也希望看到参与者之间句子类型的相似探索值。
我想转换成矩阵吗？
如果我将我的数据框重组为类似 Participant by (Item+Type) 及其转置版本，那么执行上述操作似乎会更容易。即：
| Participant | rtMeasure(Item 1, Type A) | rtMeasure(Item 1, Type B) | ... | rtMeasure(Item 323, Type W) |
|-------------|---------------------------|---------------------------|-----|-----------------------------|
| 12345 | 3343.334 | NA | ... | 2342.115 |
| 12346 | NA | 3343.334 | ... | 2145.23 |
| 12346 | NA | NA | ... | 2511.12 |
并转置：
| Participant | 12345 | 12346 | ... | 12400 |
|---------------------------|--------|--------|-----|--------|
| rtMeasure(Item 1, Type A) | 2341.2 | NA | ... | 1903.6 |
| rtMeasure(Item 1, Type B) | NA | 3012.4 | ... | NA |
plyr 包似乎可以满足我的需求，但我不清楚如何攻击它。
我会使用这样的函数吗？
我可以看到解决方案是一个自定义函数，与我在下面的尝试有些相似，但我不知道如何将其转换为 R...我对 JavaScript 语法最满意，所以我将对其进行近似，但假设我有一个 R 数据框可以使用。
// assume data is the dataframe at the start of this post
var participants = valuesOf(data$Participant);
var matrix = []
for (participantId in participants) {
var participant = {};
participant.id = participantId;
for (measure in dataframe[data$participant === participantId]) {
measureLabel = measure.Item + ' ' + measure.Type;
participant[measureLabel] = measure.rtMeasure;
}
matrix.push(participant);
}
上面的代码执行后，我希望 matrix 是一个 participant 对象的数组，其中属性是度量值，标记为“Item Type”
根据 Frank's suggestion, I attempted to create a MCVE. As he hinted might happen, I found the answer I was looking for by forcing myself to actually read through the somewhat intimidating tutorial for the plyr package: The Split-Apply-Combine Strategy for Data Analysis.
我还发现 Summarizing data in http://www.cookbook-r.com/ 很有帮助。
基本上我发现了如何使用 ddply，plyr 函数用于将数据帧聚合成不同的数据帧。
在我原来的问题中，我问的是如何看待
- 给定参与者的平均 rtMeasure
- 给定参与者的 A 类和 B 类项目的平均 rtMeasure
- 参与者之间句子类型的相似探索值
我将概述我是如何做每件事的，以防其他人发现它有用。
首先，载入一些编造的数据：
> df <- read.csv('df.csv')
> df
participants items types condition1 condition2 rtMeasures
1 1001 101 F FALSE TRUE 3852.823
2 1001 213 Q TRUE TRUE 2499.445
3 1001 1 C FALSE FALSE 2811.198
4 1001 312 W TRUE TRUE 2200.470
5 1001 113 F TRUE FALSE 2419.663
6 1002 101 F FALSE TRUE 1833.647
7 1002 213 Q TRUE TRUE 2381.160
8 1002 1 B FALSE FALSE 2415.385
9 1002 312 W TRUE TRUE 2788.386
10 1002 113 F TRUE FALSE 2665.298
第一个很简单。
使用 ddply 获取每个参与者的平均 rtMeasure：
> ddply(df, .(participants), summarize, mean=mean(rtMeasures), N=length(participants));
participants mean N
1 1001 2756.720 5
2 1002 2416.775 5
第二个有点棘手。可能有更好的方法，但对于快速而肮脏的解决方案，这是有效的。
使用 ddply 获取每个参与者的每种类型的平均 rtMeasure：
> ddply(df, .(participants, "is type Q or W"=(types %in% c('Q', 'W'))), summarize, mean=mean(rtMeasures), N=length(participants));
participants is type Q or W mean N
1 1001 FALSE 3027.895 3
2 1001 TRUE 2349.958 2
3 1002 FALSE 2304.777 3
4 1002 TRUE 2584.773 2
明确地说，我根据度量的 "type" 是 Q 还是 W 来划分数据。因此，对于我的示例，"is type Q or W" 列列出的行 FALSE 显示 ABCDF 类措施的参与者的手段；该列为 TRUE 的行表示 QW 类型度量的平均值。在我的实际数据中，这些 "types" 已经是二进制编码的，所以应该不会那么乱。
按 items 或 condition1 或数据框中的任何其他描述符进行分组同样容易。
> ddply(df, .(items, types), summarize, mean=mean(rtMeasures), N=length(participants));
items types mean N
1 1 B 2415.385 1
2 1 C 2811.198 1
3 101 F 2843.235 2
4 113 F 2542.481 2
5 213 Q 2440.302 2
6 312 W 2494.428 2
越来越喜欢...
> ddply(df, .(Context=(condition1==FALSE & condition2==FALSE)), summarize, mean=mean(rtMeasures), N=length(participants));
Context mean N
1 FALSE 2580.112 8
2 TRUE 2613.291 2