通过使用 dplyr 对变量进行分组来对多列的响应进行制表

Question

嗨：我是 plyr/dplyr 家庭的新成员，但很享受。我可以看到它对我自己的工作有很大的用处，但我仍在努力解决这个问题。
我有一个如下所示的数据框。

1) 如何为每个非分组变量生成 table 以显示分组变量的每个值内的响应分布？

2) 注意：我确实有一些缺失值，我想将它们从表格中排除。我意识到 summarize_each 命令会将函数应用于每一列，但我不知道如何以简单的方式处理缺失值问题。我看到一些代码建议您必须过滤掉缺失值，但是如果缺失值随机散布在非分组变量中怎么办？

3) 从根本上说，最好只使用 dplyr 的完整案例吗？

#library
library(dplyr)
#sample data
group<-sample(c('A', 'B', 'C'), 100, replace=TRUE)
var1<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE,     prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var2<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var3<-sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
df<-data.frame(group, var1, var2, var3)
#my code
out_df<-df %>%group_by(group)
out_df %>% summarise_each(funs(table))

Answer 1

如果您先 "melt" 将数据框转换为长格式，则可以通过 group 为每个 var1、var2 和 var3 获取计数，这会将 "stack" 三个 var 列合并为一个列 (value)，然后创建一个附加列 (variable) 标记哪些行与哪些 var.

library(dplyr)
library(reshape2)

#sample data
group <- sample(c('A', 'B', 'C'), 100, replace=TRUE)
var1 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var2 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))
var3 <- sample(c(1,2,3,4,5,NA), 100, replace=TRUE, prob=c(0.15,0.15,0.15,0.15,0.15,0.25))

df<-data.frame(group, var1, var2, var3)

out_df <- df %>% 
  melt(id.var="group") %>%
  filter(!is.na(value)) %>%  # Remove NA
  group_by(group, variable, value) %>%
  summarise(count=n()) %>% 
  group_by(group, variable) %>% 
  mutate(percent=count/sum(count))

您可以随时停止函数链以查看中间步骤，这将有助于理解每个步骤的作用。

因为我们按 group、variable 和 value 分组，我们最终得到 count 给出了这三列组合的行数。然后我们仅按 group 和 variable 进行分组，以计算 count 的每个值对两个分组变量的每个组合的贡献的行百分比。（第二个 group_by 不是必需的，因为 dplyr 在 summarise 操作后删除了最后一个分组变量（因为所有原始分组变量的每个组合只有一行）但我更喜欢重新分组明确地。）

这是最终结果：

out_df

   group variable value count    percent
1      A     var1     1     6 0.26086957
2      A     var1     2     3 0.13043478
3      A     var1     3     6 0.26086957
4      A     var1     4     1 0.04347826
5      A     var1     5     7 0.30434783
...
41     C     var3     1     6 0.25000000
42     C     var3     2     5 0.20833333
43     C     var3     3     4 0.16666667
44     C     var3     4     2 0.08333333
45     C     var3     5     7 0.29166667

Answer 2

如果你所说的制表是指总和，那么试试这个：

out_df<-df %>%group_by(group)
summarise(out_df,var1=sum(var1,na.rm=TRUE),var2=sum(var2,na.rm=TRUE),var3=sum(var3,na.rm=TRUE))

这会产生这样的结果：

      group var1 var2 var3
  1     A   67   72   60
  2     B   88   92   97
  3     C   54   77   48

通过使用 dplyr 对变量进行分组来对多列的响应进行制表

Tabulate responses for multiple columns by grouping variable with dplyr

r

plyr

dplyr