以长格式聚合数据时的正确计算方法

Question

对于一个简单的数据框：

client_id<-c("111","111","111","112","113","113","114")
transactions<-c(1,2,2,2,3,17,100)
transactions_sum<-c(5,5,5,2,20,20,100) ##precalculated sums of transaction counts for each client_id
segment<-c("low","low","low","low","low","low","high")
test<-data.frame(client_id,transactions,transactions_sum,segment)


  client_id transactions transactions_sum segment
1       111            1                5     low
2       111            2                5     low
3       111            2                5     low
4       112            2                2     low
5       113            3               20     low
6       113           17               20     low
7       114          100              100    high

我正在尝试按分段汇总并计算分段均值。

我期待以下结果：

    segment transactions_mean
1   low     9
2   high    100

由于计算平均值应该考虑重复 client_ids，我们应该将每个段的单个交易计数相加（低段为 1+2+2+2+3+17）并除以唯一 client_ids（低段为 3），得到 27/3 = 9 为低段。对每个 client_id 使用预先计算的总和：(5+2+20)/3 = 9

然而，当我尝试运行 "dcast" 或 "aggregate" 时，我得到了错误的数字，因为显然他们将每一行视为一个独特的观察:

 dcast(test, segment ~ ., mean, value.var="transactions")

给予

       segment     .
1          low   4.5
2         high 100.0

这有效地表明它对每个细分市场的交易计数求和（低细分市场为 1+2+2+2+3+17）并除以每个细分市场的观察数量（低细分市场为 6）而不是唯一的 client_ids。

在这种情况下，正确的均值计算方法是什么？

Answer 1

我们可以使用data.table

library(data.table)
setDT(test)[, .(transactions_mean = sum(transactions)/uniqueN(client_id)), by = segment]
#    segment transactions_mean
#1:     low                 9
#2:    high               100

Answer 2

你可以使用这个：

meanLow <- mean(test$segment == "low")
meanHigh <- mean(test$segment == "high")

Answer 3

您也可以使用dplyr

library(dplyr)
test_2 <- test %>%
  group_by(segment) %>%
  summarise (meanTransactions=sum(transactions)/n_distinct(client_id))

test_2

# A tibble: 2 × 2
  segment transactions
    <chr>        <dbl>
1    high          100
2     low            9

以长格式聚合数据时的正确计算方法

Proper way of calculating means when aggregating data in long format

aggregate

r

dcast