Оскільки я зрозумів, що (дуже відмінні) відповіді на цей пост відсутні by
і aggregate
пояснення. Ось мій внесок.
BY
by
Функції, як зазначено в документації , може бути , хоча, як «обгортки» для tapply
. Сила by
виникає, коли ми хочемо обчислити завдання, яке tapply
не може впоратися. Одним із прикладів є такий код:
ct <- tapply(iris$Sepal.Width , iris$Species , summary )
cb <- by(iris$Sepal.Width , iris$Species , summary )
cb
iris$Species: setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
--------------------------------------------------------------
iris$Species: versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
--------------------------------------------------------------
iris$Species: virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
ct
$setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
$versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
$virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
Якщо ми друкуємо ці два об'єкти, ct
і cb
ми «по суті» маємо однакові результати, і єдині відмінності полягають у тому, як вони відображаються та різні class
атрибути відповідно by
для cb
та array
для ct
.
Як я вже говорив, сила by
виникає тоді, коли ми не можемо використовувати tapply
; наступний код - один із прикладів:
tapply(iris, iris$Species, summary )
Error in tapply(iris, iris$Species, summary) :
arguments must have same length
R каже, що аргументи повинні мати однакову довжину, скажімо, "ми хочемо обчислити summary
всю змінну у iris
по коефіцієнті Species
": але R просто не може цього зробити, тому що не знає, як впоратися.
За допомогою by
функції R відправляйте певний метод для data frame
класу, а потім нехай summary
функціонує, навіть якщо довжина першого аргументу (і також тип) відрізняються.
bywork <- by(iris, iris$Species, summary )
bywork
iris$Species: setosa
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.300 Min. :2.300 Min. :1.000 Min. :0.100 setosa :50
1st Qu.:4.800 1st Qu.:3.200 1st Qu.:1.400 1st Qu.:0.200 versicolor: 0
Median :5.000 Median :3.400 Median :1.500 Median :0.200 virginica : 0
Mean :5.006 Mean :3.428 Mean :1.462 Mean :0.246
3rd Qu.:5.200 3rd Qu.:3.675 3rd Qu.:1.575 3rd Qu.:0.300
Max. :5.800 Max. :4.400 Max. :1.900 Max. :0.600
--------------------------------------------------------------
iris$Species: versicolor
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.000 Min. :3.00 Min. :1.000 setosa : 0
1st Qu.:5.600 1st Qu.:2.525 1st Qu.:4.00 1st Qu.:1.200 versicolor:50
Median :5.900 Median :2.800 Median :4.35 Median :1.300 virginica : 0
Mean :5.936 Mean :2.770 Mean :4.26 Mean :1.326
3rd Qu.:6.300 3rd Qu.:3.000 3rd Qu.:4.60 3rd Qu.:1.500
Max. :7.000 Max. :3.400 Max. :5.10 Max. :1.800
--------------------------------------------------------------
iris$Species: virginica
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.200 Min. :4.500 Min. :1.400 setosa : 0
1st Qu.:6.225 1st Qu.:2.800 1st Qu.:5.100 1st Qu.:1.800 versicolor: 0
Median :6.500 Median :3.000 Median :5.550 Median :2.000 virginica :50
Mean :6.588 Mean :2.974 Mean :5.552 Mean :2.026
3rd Qu.:6.900 3rd Qu.:3.175 3rd Qu.:5.875 3rd Qu.:2.300
Max. :7.900 Max. :3.800 Max. :6.900 Max. :2.500
це працює справді, і результат дуже дивує. Це об'єкт класу, by
який разом Species
(скажімо, для кожного з них) обчислює summary
кожну змінну.
Зауважте, що якщо перший аргумент є a data frame
, відправлена функція повинна мати метод для цього класу об'єктів. Наприклад, ми використовуємо цей код з mean
функцією, у нас буде цей код, який взагалі не має сенсу:
by(iris, iris$Species, mean)
iris$Species: setosa
[1] NA
-------------------------------------------
iris$Species: versicolor
[1] NA
-------------------------------------------
iris$Species: virginica
[1] NA
Warning messages:
1: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
2: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
3: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
АГРЕГАТА
aggregate
може розглядатися як інший інший спосіб використання, tapply
якщо ми використовуємо його таким чином.
at <- tapply(iris$Sepal.Length , iris$Species , mean)
ag <- aggregate(iris$Sepal.Length , list(iris$Species), mean)
at
setosa versicolor virginica
5.006 5.936 6.588
ag
Group.1 x
1 setosa 5.006
2 versicolor 5.936
3 virginica 6.588
Дві негайні відмінності полягають у тому, що другий аргумент aggregate
повинен бути списком, а tapply
може бути (не обов'язковим) списком і що вихідний aggregate
файл є фреймом даних, а другий tapply
- an array
.
Влада aggregate
полягає в тому, що він може легко обробляти підмножини даних subset
аргументом, а також, що він має методи для ts
об'єктів formula
.
Ці елементи aggregate
полегшують роботу з цим tapply
у деяких ситуаціях. Ось кілька прикладів (доступні в документації):
ag <- aggregate(len ~ ., data = ToothGrowth, mean)
ag
supp dose len
1 OJ 0.5 13.23
2 VC 0.5 7.98
3 OJ 1.0 22.70
4 VC 1.0 16.77
5 OJ 2.0 26.06
6 VC 2.0 26.14
Ми можемо досягти того ж, tapply
але синтаксис трохи складніше, а вихід (у деяких випадках) менш читабельний:
att <- tapply(ToothGrowth$len, list(ToothGrowth$dose, ToothGrowth$supp), mean)
att
OJ VC
0.5 13.23 7.98
1 22.70 16.77
2 26.06 26.14
Бувають і інші часи, коли ми не можемо використовувати by
або tapply
ми повинні їх використовувати aggregate
.
ag1 <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)
ag1
Month Ozone Temp
1 5 23.61538 66.73077
2 6 29.44444 78.22222
3 7 59.11538 83.88462
4 8 59.96154 83.96154
5 9 31.44828 76.89655
Ми не можемо отримати попередній результат за допомогою tapply
одного виклику, але нам слід обчислити середнє значення Month
для кожного елемента, а потім об'єднати їх (також зауважимо, що ми повинні викликати na.rm = TRUE
, оскільки для formula
методів aggregate
функції за замовчуванням встановлено значення na.action = na.omit
):
ta1 <- tapply(airquality$Ozone, airquality$Month, mean, na.rm = TRUE)
ta2 <- tapply(airquality$Temp, airquality$Month, mean, na.rm = TRUE)
cbind(ta1, ta2)
ta1 ta2
5 23.61538 65.54839
6 29.44444 79.10000
7 59.11538 83.90323
8 59.96154 83.96774
9 31.44828 76.90000
в той час, як by
ми просто не можемо цього досягти, насправді наступний виклик функції повертає помилку (але, швидше за все, це пов'язано з функцією, що постачається, mean
):
by(airquality[c("Ozone", "Temp")], airquality$Month, mean, na.rm = TRUE)
В іншому випадку результати однакові, і відмінності полягають лише у класі (і тоді, як він відображається / друкується, а не тільки - наприклад, як його підмножити):
byagg <- by(airquality[c("Ozone", "Temp")], airquality$Month, summary)
aggagg <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, summary)
Попередній код досягає тієї ж мети та результатів, у деяких моментах, який інструмент використовувати - це лише питання особистих смаків та потреб; попередні два об'єкти мають дуже різні потреби щодо підмножини.
*apply()
таby
. plyr (принаймні, мені) здається набагато послідовнішим в тому, що я завжди точно знаю, який формат даних він очікує і що саме він буде виплюнути. Це врятує мені багато клопоту.