¿Cómo agrupar / estandarizar variables en R?

9

Las funciones con las que estoy familiarizado incluyen escalar desde la base R, reescalar desde ARM.

Quizás la mejor manera sería usar alguna variante de apply, especificando una o más variables para usar como variables de agrupación.

Michael Bishop
fuente
Prueba: agregada (state.x77, list (Región = state.region, Cold = state.x77 [, "Frost"]> 130)), function (x) ((x - mean (x)) / sd (x) ))
suncoolsu

Respuestas:

7

Aquí hay una posible solución de capas . Tenga en cuenta que se basa en la transform()función base .

my.df <- data.frame(x=rnorm(100, mean=10), 
                    sex=sample(c("M","F"), 100, rep=T), 
                    group=gl(5, 20, labels=LETTERS[1:5]))
library(plyr)
ddply(my.df, c("sex", "group"), transform, x.std = scale(x))

(Podemos verificar si funciona como se espera con, por ejemplo, with(subset(my.df, sex=="F" & group=="A"), scale(x)))

Básicamente, el segundo argumento describe cómo "dividir" los datos, el tercer argumento qué función aplicar a cada fragmento. Lo anterior agregará una variable x.stdal data.frame. Úselo xsi desea reemplazar su variable original por la escala.

chl
fuente
7
group.center <- function(var,grp) {
    return(var-tapply(var,grp,mean,na.rm=T)[grp])
}
Thanassi
fuente
3

Aquí hay una solución data.table . Definitivamente es más rápido que plyr (relevante solo para grandes conjuntos de datos). Quizás más tarde haga un ejemplo de dplyr.

# generate example data
raw.data <- data.frame( outcome = c(rnorm(500, 100, 15), rnorm(500, 110, 12)), 
                        group = c(rep("a", 500), rep("b", 500)))

library(data.table)
# convert dataframe to data.table
raw.data <- data.table(raw.data, key = "group")

# create group standardized outcome variable
raw.data[ , group_std_outcome := (outcome - mean(outcome, na.rm = TRUE)) /  
           sd(outcome, na.rm = TRUE), "group"]

(Sí, redescubrí una pregunta que hice hace años cuando era un novato R;)

Michael Bishop
fuente
2

Puede usar (entre otros) tapplypara esto (el plyrpaquete contiene muchas otras opciones que pueden ser más adecuadas para su situación específica):

tapply(variabletoscale, list(groupvar1, groupvar2), scale)
Nick Sabbe
fuente
1
Con dos factores, no devolverá un data.frame. Tendrá que procesar el resultado para eso.
chl
0

Esta respuesta es de un libro blanco de Mahmood Arai. Tiene el conveniente efecto secundario de etiquetar los resultados centrados con el prefijo "C":

gcenter <- function(df1,group) {
        variables <- paste(
              rep("C", ncol(df1)),  colnames(df1), sep=".")
        copydf <- df1
        for (i in 1:ncol(df1)) {
              copydf[,i] <- df1[,i] - ave(df1[,i], group, FUN=mean)}
        colnames(copydf) <- variables
        return(cbind(df1,copydf))}
Regresar adelante
fuente
0

Aquí hay una implementación actualizada usando dplyr de tidyverse .

library(tidyverse)

my.df <- data.frame(x=rnorm(100, mean=10), sex=sample(c("M","F"), 100, rep=T))
my.df <- group_by(my.df, sex) %>% mutate(x.sd = as.numeric(scale(x)))
Brian Levey
fuente