ddply для суммы по группам в R

у меня есть образец фрейма данных "данные" следующим образом:

X            Y  Month   Year    income
2281205 228120  3   2011    1000
2281212 228121  9   2010    1100
2281213 228121  12  2010    900
2281214 228121  3   2011    9000
2281222 228122  6   2010    1111
2281223 228122  9   2010    3000
2281224 228122  12  2010    1889
2281225 228122  3   2011    778
2281243 228124  12  2010    1111
2281244 228124  3   2011    200
2281282 228128  9   2010    7889
2281283 228128  12  2010    2900
2281284 228128  3   2011    3400
2281302 228130  9   2010    1200
2281303 228130  12  2010    2000
2281304 228130  3   2011    1900
2281352 228135  9   2010    2300
2281353 228135  12  2010    1333
2281354 228135  3   2011    2340

Я хочу использовать ddply чтобы вычислить доход для каждого Y(не X), если у меня есть четыре наблюдения для каждого Y (например, для 2281223 с месяцами 6,9,12 2010 и месяцем 3 2011). Если у меня меньше четырех наблюдений (например, для Y =228130), я хочу просто игнорировать его. Я использую следующие команды в R для этого: 

require(plyr)
     # the data are in the data csv file
    data<-read.csv("data.csv")
    # convert Y (integers) into factors
    y<-as.factor(y)
    # get the count of each unique Y
    count<-ddply(data,.(Y), summarize, freq=length(Y))
    # get the sum of each unique Y 
    sum<-ddply(data,.(Y),summarize,tot=sum(income))
    # show the sum if number of observations for each Y is less than 4
    colbind<-cbind(count,sum)
    finalsum<-subset(colbind,freq>3)

мой выход как следует:

>colbind
       Y freq      Y   tot
1 228120    1 228120  1000
2 228121    3 228121 11000
3 228122    4 228122  6778
4 228124    2 228124  1311
5 228128    3 228128 14189
6 228130    3 228130  5100
7 228135    3 228135  5973
>finalsum
       Y freq    Y.1  tot
3 228122    4 228122 6778

приведенный выше код работает, но требует много шагов. Итак, я хотел бы знать, есть ли простой способ выполнения вышеуказанной задачи (используя пакет plyr).

23
plyr r

2 ответов

как указано в комментарии, Вы можете выполнять несколько операций внутри summarize.

это уменьшает ваш код до одной строки ddply() и одна строка подмножества, которая достаточно проста с [ оператор:

x <- ddply(data, .(Y), summarize, freq=length(Y), tot=sum(income))
x[x$freq > 3, ]

       Y freq  tot
3 228122    4 6778

это также очень легко с data.table пакет:

library(data.table)
data.table(data)[, list(freq=length(income), tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778

фактически, операция вычисления длины вектора имеет свой собственный ярлык в data.table - используйте .N ярлык:

data.table(data)[, list(freq=.N, tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778
31

Я думаю, что пакет dplyr быстрее plyr::ddply и более элегантным.

testData <- read.table(file = "clipboard",header = TRUE)
require(dplyr)
testData %>%
  group_by(Y) %>%
  summarise(total = sum(income),freq = n()) %>%
  filter(freq > 3)
17