为什么 mean() 和 mean(aggregate()) return 有不同的结果？
Why do mean() and mean(aggregate()) return different results?
我想计算一个平均值。这是带有示例数据的代码：
# sample data
Nr <- c(1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23)
dph <- c(3.125000, 6.694737, 4.310680, 11.693735, 103.882353, 11.000000, 7.333333, 20.352941, 5.230769, NA, 4.615385, 47.555556, 2.941176, 18.956522, 44.320000, 28.500000, NA, 10.470588, 19.000000, 25.818182, 43.216783, 51.555556, 8.375000, 6.917647, 9.375000, 5.647059, 4.533333, 27.428571, 14.428571, NA, 1.600000, 5.764706, 4.705882, 55.272727, 2.117647, 30.888889, 41.222222, 23.444444, 2.428571, 6.200000, 17.076923, 21.280000, 40.829268, 14.500000, 6.250000, NA, 15.040000, 5.687204, 2.400000, NA, 26.375000, 18.064516, 4.000000, 6.139535, 8.470588, 128.666667, 2.235294, 34.181818, 116.000000, 6.000000, 5.777778, 10.666667, 15.428571, 54.823529, 81.315789, 42.333333)
dat <- data.frame(cbind(Nr = Nr, dph = dph))
# calculate mean directly
mean(dat$dph, na.rm = TRUE)
[1] 23.02403
# aggregate first, then calculate mean
mean(aggregate(dph ~ Nr, dat, mean, na.rm = T)$dph)
[1] 22.11743
# 23.02403 != 22.11743
为什么我得到两个不同的结果？
问题解释：
我需要执行 Wilcoxon 检验，将预基线与 post 基线进行比较。 Pre 是 3 个测量值，post 是 16。因为 Wilcoxon 检验需要两个长度相等的向量，所以我计算每个 aggregate 患者的 pre 和 post 的均值，创建两个相等的向量长度。以上数据为pre.
编辑：
患者编号4 从数据中删除。但是使用 Nr <- rep(1:22, 3) returns 结果相同。
我认为这是因为在 mean(dat$x, na.rm=T) 版本中，每个被删除的 NA 都会将观察数减少 1，而如果您先聚合，在您的示例中您有一个 NA在已删除的第 10 行（ID 11）中，但由于 ID 为 11 的其他行不包含 NA（或至少其中一个不包含 NA），您用于计算 mean after 每个ID聚合后，不是每个NA减1。因此，IMO 的差异来自于将 dph 的总和除以不同数量的观察值，这在两个计算中应该相同。
您可以通过将 NA 条目更改为 0 并再次计算两个版本的平均值来验证这一点，它们将 return 相同。
但通常您应该注意，它仅适用于此处，因为您对每个 ID 的观察次数相同（在本例中为 3）。如果它们不同，您将再次得到不同的结果。
我想计算一个平均值。这是带有示例数据的代码：
# sample data
Nr <- c(1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23)
dph <- c(3.125000, 6.694737, 4.310680, 11.693735, 103.882353, 11.000000, 7.333333, 20.352941, 5.230769, NA, 4.615385, 47.555556, 2.941176, 18.956522, 44.320000, 28.500000, NA, 10.470588, 19.000000, 25.818182, 43.216783, 51.555556, 8.375000, 6.917647, 9.375000, 5.647059, 4.533333, 27.428571, 14.428571, NA, 1.600000, 5.764706, 4.705882, 55.272727, 2.117647, 30.888889, 41.222222, 23.444444, 2.428571, 6.200000, 17.076923, 21.280000, 40.829268, 14.500000, 6.250000, NA, 15.040000, 5.687204, 2.400000, NA, 26.375000, 18.064516, 4.000000, 6.139535, 8.470588, 128.666667, 2.235294, 34.181818, 116.000000, 6.000000, 5.777778, 10.666667, 15.428571, 54.823529, 81.315789, 42.333333)
dat <- data.frame(cbind(Nr = Nr, dph = dph))
# calculate mean directly
mean(dat$dph, na.rm = TRUE)
[1] 23.02403
# aggregate first, then calculate mean
mean(aggregate(dph ~ Nr, dat, mean, na.rm = T)$dph)
[1] 22.11743
# 23.02403 != 22.11743
为什么我得到两个不同的结果？
问题解释：
我需要执行 Wilcoxon 检验，将预基线与 post 基线进行比较。 Pre 是 3 个测量值，post 是 16。因为 Wilcoxon 检验需要两个长度相等的向量，所以我计算每个 aggregate 患者的 pre 和 post 的均值，创建两个相等的向量长度。以上数据为pre.
编辑：
患者编号4 从数据中删除。但是使用 Nr <- rep(1:22, 3) returns 结果相同。
我认为这是因为在 mean(dat$x, na.rm=T) 版本中，每个被删除的 NA 都会将观察数减少 1，而如果您先聚合，在您的示例中您有一个 NA在已删除的第 10 行（ID 11）中，但由于 ID 为 11 的其他行不包含 NA（或至少其中一个不包含 NA），您用于计算 mean after 每个ID聚合后，不是每个NA减1。因此，IMO 的差异来自于将 dph 的总和除以不同数量的观察值，这在两个计算中应该相同。
您可以通过将 NA 条目更改为 0 并再次计算两个版本的平均值来验证这一点，它们将 return 相同。
但通常您应该注意，它仅适用于此处，因为您对每个 ID 的观察次数相同（在本例中为 3）。如果它们不同，您将再次得到不同的结果。