web-dev-qa-db-ja.com

dplyrを使用した相対頻度/比率

各グループ内の異なる値の割合を計算するとします。たとえば、mtcarsデータを使用して、ギアの数のrelative頻度の計算方法am（自動/手動）dplyr？

library(dplyr)
data(mtcars)
mtcars <- tbl_df(mtcars)

# count frequency
mtcars %>%
  group_by(am, gear) %>%
  summarise(n = n())

# am gear  n
#  0    3 15 
#  0    4  4 
#  1    4  8  
#  1    5  5

私が達成したいこと：

am gear  n rel.freq
 0    3 15      0.7894737
 0    4  4      0.2105263
 1    4  8      0.6153846
 1    5  5      0.3846154
rgroup-bydplyrfrequency
112
jenswirf

これを試して：

mtcars %>%
  group_by(am, gear) %>%
  summarise (n = n()) %>%
  mutate(freq = n / sum(n))

#   am gear  n      freq
# 1  0    3 15 0.7894737
# 2  0    4  4 0.2105263
# 3  1    4  8 0.6153846
# 4  1    5  5 0.3846154

dplyr vignette から：

複数の変数でグループ化すると、各サマリーはグループ化の1つのレベルから切り離されます。これにより、データセットを段階的に簡単にロールアップできます。

したがって、summariseの後に、グループ化変数 'gear'が剥がされ、データは 'am'によって 'only'にグループ化され（結果データでgroupsで確認するだけです）、そこでmutate計算を実行します。

「剥離」の結果は、もちろんgroup_by呼び出しのグループ化変数の順序に依存します。今回は、希望の変数を剥がしてくれたので幸運でした。コードをより明確にするために、後続のgroup_by(am)を実行することもできます。

丸めとプリティフィケーションについては、@ Tyler RinkerによるNiceの回答を参照してください。

223
Henrik

count()関数を使用できますが、dplyrのバージョンに応じて動作が異なります。

  • dplyr 0.7.1：ungroupedテーブルを返します：amで再度グループ化する必要があります

  • dplyr <0.7.1：はgroupedテーブルを返すため、再度グループ化する必要はありませんが、後で操作するためにungroup()が必要になる場合があります

dplyr 0.7.1

mtcars %>%
  count(am, gear) %>%
  group_by(am) %>%
  mutate(freq = n / sum(n))

dplyr <0.7.1

mtcars %>%
  count(am, gear) %>%
  mutate(freq = n / sum(n))

これはグループ化されたテーブルになります。さらに分析するために使用する場合は、groupedを削除すると便利です。 ungroup()を持つ属性。

33
Matifou

@Henrikの方が使い勝手が良くなります。これにより、列の文字が作成され、数値ではなくなりますが、要求したものと一致します...

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = paste0(round(100 * n/sum(n), 0), "%"))

##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%

EDIT Spacedmanが要求したため:-)

as.rel_freq <- function(x, rel_freq_col = "rel.freq", ...) {
    class(x) <- c("rel_freq", class(x))
    attributes(x)[["rel_freq_col"]] <- rel_freq_col
    x
}

print.rel_freq <- function(x, ...) {
    freq_col <- attributes(x)[["rel_freq_col"]]
    x[[freq_col]] <- paste0(round(100 * x[[freq_col]], 0), "%")   
    class(x) <- class(x)[!class(x)%in% "rel_freq"]
    print(x)
}

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = n/sum(n)) %>%
  as.rel_freq()

## Source: local data frame [4 x 4]
## Groups: am
## 
##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%
25
Tyler Rinker

dplyr 0.7.1でHenrikのソリューションを実装する一般的な関数を次に示します。

freq_table <- function(x, 
                       group_var, 
                       prop_var) {
  group_var <- enquo(group_var)
  prop_var  <- enquo(prop_var)
  x %>% 
    group_by(!!group_var, !!prop_var) %>% 
    summarise(n = n()) %>% 
    mutate(freq = n /sum(n)) %>% 
    ungroup
}
5
Edwin

この繰り返しタスク用の小さな関数を作成しました。

count_pct <- function(df) {
  return(
    df %>%
      tally %>% 
      mutate(n_pct = 100*n/sum(n))
  )
}

私はそれを次のように使用できます：

mtcars %>% 
  group_by(cyl) %>% 
  count_pct

戻ります：

# A tibble: 3 x 3
    cyl     n n_pct
  <dbl> <int> <dbl>
1     4    11  34.4
2     6     7  21.9
3     8    14  43.8
2
slhck

この答えは、マティフォーの答えに基づいています。

まず、scipenオプションを使用して、freq列が科学表記列として返されないように変更しました。

次に、回答を100倍して小数ではなくパーセントを取得し、freq列をパーセンテージで読みやすくします。

getOption("scipen") 
options("scipen"=10) 
mtcars %>%
count(am, gear) %>% 
mutate(freq = (n / sum(n)) * 100)
1
Jazzmine

多くの答えにもかかわらず、prop.tableをdplyrまたはdata.tableと組み合わせて使用​​するもう1つのアプローチ。

library("dplyr")
mtcars %>%
    group_by(am, gear) %>%
    summarise(n = n()) %>%
    mutate(freq = prop.table(n))

library("data.table")
cars_dt <- as.data.table(mtcars)
cars_dt[, .(n = .N), keyby = .(am, gear)][, freq := prop.table(n) , by = "am"]
0
TimTeaFan