通过直方图 bin 进行平均的类似 R 的方法

Question

作为一个从 Matlab 过渡的人，我希望得到任何建议，以更有效地找到其索引 (indxs) 落在直方图箱 (edges) 内的 DepDelay 值的平均值。在 Matlab 和我当前的 R 脚本中，我有这些命令：

edges       =   seq( min(t), max(t), by = dt )
indxs       =   findInterval( t, edges,all.inside=TRUE )
listIndx    =   sort( unique( indxs ) )
n           =   length( edges )
avgDelay    =   rep( 1, n) * 0
for (i in 1 : n ){
  id = listIndx[i]
  jd = which( id == indxs )
  if ( length(jd) > minFlights){
    avgDelay[id] = mean(DepDelay[jd])
  }
}

我知道在 R 中使用 for 循环是一个潜在的令人担忧的问题，但我提出这个问题是为了提高代码效率。

当然可以。相关向量的一些片段：

DepDelay[1:20] = [1] -4 -4 -4 -9 -6 -7 -1 -7 -6 -7 -7 -5 -8 -3 51 -2 -1 -4 -7 -10

和关联的索引值：

indxs[1:20] = [1] 3 99 195 291 387 483 579 675 771 867 963 1059 1155 1251 1351 1443 1539 1635 1731 1827 

minFlights = 3

谢谢。

BSL

Answer 1

在 R 中有很多方法可以做到这一点，所有方法都涉及 "split-apply-combine" 策略的变体（将数据分成组，对每个组应用一个函数，将结果按组组合回单个数据框架）。

这是使用 dplyr 包的一种方法。我创建了一些假数据以供说明，因为您的数据不是易于重现的形式：

library(dplyr) 

# Create fake data
set.seed(20)
dat = data.frame(DepDelay = sample(-50:50, 1000, replace=TRUE))

# Bin the data
dat$bins = cut(dat$DepDelay, seq(-50,50,10), include.lowest=TRUE)

# Summarise by bin
dat %>% group_by(bins) %>%
  summarise(count = n(),
            meanByBin = mean(DepDelay, na.rm=TRUE))

        bins count  meanByBin
1  [-50,-40]   111 -45.036036
2  (-40,-30]   110 -34.354545
3  (-30,-20]    95 -24.242105
4  (-20,-10]    82 -14.731707
5    (-10,0]    92  -4.304348
6     (0,10]   109   5.477064
7    (10,20]    93  14.731183
8    (20,30]    93  25.182796
9    (30,40]   103  35.466019
10   (40,50]   112  45.696429

data.table 是用于此类任务的另一个出色软件包：

library(data.table)

datDT = data.table(dat)
setkey(datDT, bins)

datDT[, list(count=length(DepDelay), meanByBin=mean(DepDelay, na.rm=TRUE)), by=bins]

这里有两种计算基数 R 中 bin 的平均值的方法：

tapply(dat$DepDelay, dat$bins, mean)

aggregate(DepDelay ~ bins, FUN=mean, data=dat)

通过直方图 bin 进行平均的类似 R 的方法

An R-like approach to averaging by histogram bin

matlab

average

r

histogram

bins