Come sommare una variabile per gruppo

Ho un frame di dati con due colonne. La prima colonna contiene categorie come "Prima", "Seconda", "Terza", e la seconda colonna ha numeri che rappresentano il numero di volte in cui ho visto i gruppi specifici da "Categoria".

Per esempio:

Category     Frequency
First        10
First        15
First        5
Second       2
Third        14
Third        20
Second       3

Voglio ordinare i dati per categoria e sommare tutte le frequenze:

Category     Frequency
First        30
Second       5
Third        34

Come lo farei in R?

Utilizzando aggregate:

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum)
  Category  x
1    First 30
2   Second  5
3    Third 34

Nell'esempio sopra, è possibile specificare più dimensioni in list. È possibile incorporare più metriche aggregate dello stesso tipo di dati tramite cbind:

aggregate(cbind(x$Frequency, x$Metric2, x$Metric3) ...

(incorporando il commento di @thelatemail), aggregateha anche un'interfaccia formula

aggregate(Frequency ~ Category, x, sum)

Oppure, se vuoi aggregare più colonne, puoi usare la .notazione (funziona anche per una colonna)

aggregate(. ~ Category, x, sum)

oppure tapply:

tapply(x$Frequency, x$Category, FUN=sum)
 First Second  Third 
    30      5     34 

Utilizzando questi dati:

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                      "Third", "Third", "Second")), 
                    Frequency=c(10,15,5,2,14,20,3))

È inoltre possibile utilizzare il pacchetto dplyr a tale scopo:

library(dplyr)
x %>% 
  group_by(Category) %>% 
  summarise(Frequency = sum(Frequency))

#Source: local data frame [3 x 2]
#
#  Category Frequency
#1    First        30
#2   Second         5
#3    Third        34

Oppure, per più colonne di riepilogo (funziona anche con una colonna):

x %>% 
  group_by(Category) %>% 
  summarise_all(funs(sum))

Ecco alcuni altri esempi di come riepilogare i dati per gruppo usando le funzioni dplyr usando il set di dati integrato mtcars:

# several summary columns with arbitrary names
mtcars %>% 
  group_by(cyl, gear) %>%                            # multiple group columns
  summarise(max_hp = max(hp), mean_mpg = mean(mpg))  # multiple summary columns

# summarise all columns except grouping columns using "sum" 
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(sum)

# summarise all columns except grouping columns using "sum" and "mean"
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(funs(sum, mean))

# multiple grouping columns
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_all(funs(sum, mean))

# summarise specific variables, not all
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_at(vars(qsec, mpg, wt), funs(sum, mean))

# summarise specific variables (numeric columns except grouping columns)
mtcars %>% 
  group_by(gear) %>% 
  summarise_if(is.numeric, funs(mean))

Per ulteriori informazioni, incluso l' %>%operatore, vedere l' introduzione a dplyr .

La risposta fornita da rcs funziona ed è semplice. Tuttavia, se stai gestendo set di dati più grandi e hai bisogno di un aumento delle prestazioni, c'è un'alternativa più veloce:

library(data.table)
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
                  Frequency=c(10,15,5,2,14,20,3))
data[, sum(Frequency), by = Category]
#    Category V1
# 1:    First 30
# 2:   Second  5
# 3:    Third 34
system.time(data[, sum(Frequency), by = Category] )
# user    system   elapsed 
# 0.008     0.001     0.009 

Confrontiamolo con la stessa cosa usando data.frame e sopra sopra:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"),
                  Frequency=c(10,15,5,2,14,20,3))
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum))
# user    system   elapsed 
# 0.008     0.000     0.015 

E se vuoi mantenere la colonna questa è la sintassi:

data[,list(Frequency=sum(Frequency)),by=Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

La differenza diventerà più evidente con set di dati più grandi, come dimostra il codice seguente:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000),
                  Frequency=rnorm(100000))
system.time( data[,sum(Frequency),by=Category] )
# user    system   elapsed 
# 0.055     0.004     0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
                  Frequency=rnorm(100000))
system.time( aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum) )
# user    system   elapsed 
# 0.287     0.010     0.296 

Per più aggregazioni, è possibile combinare lapplye .SDcome segue

data[, lapply(.SD, sum), by = Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

Puoi anche usare la funzione by () :

x2 <- by(x$Frequency, x$Category, sum)
do.call(rbind,as.list(x2))

Questi altri pacchetti (plyr, reshape) hanno il vantaggio di restituire un data.frame, ma vale la pena familiarizzare con () poiché è una funzione di base.

Diversi anni dopo, solo per aggiungere un'altra semplice soluzione di base R che non è presente qui per qualche motivo- xtabs

xtabs(Frequency ~ Category, df)
# Category
# First Second  Third 
#    30      5     34 

O se vuoi un data.frameritorno

as.data.frame(xtabs(Frequency ~ Category, df))
#   Category Freq
# 1    First   30
# 2   Second    5
# 3    Third   34

library(plyr)
ddply(tbl, .(Category), summarise, sum = sum(Frequency))

Se xè un frame di dati con i tuoi dati, quindi quanto segue farà ciò che desideri:

require(reshape)
recast(x, Category ~ ., fun.aggregate=sum)

Mentre di recente sono diventato un convertito dplyrper la maggior parte di questi tipi di operazioni, il sqldfpacchetto è ancora molto bello (e IMHO più leggibile) per alcune cose.

Ecco un esempio di come è possibile rispondere a questa domanda sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                  "Third", "Third", "Second")), 
                Frequency=c(10,15,5,2,14,20,3))

sqldf("select 
          Category
          ,sum(Frequency) as Frequency 
       from x 
       group by 
          Category")

##   Category Frequency
## 1    First        30
## 2   Second         5
## 3    Third        34

Solo per aggiungere una terza opzione:

require(doBy)
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum)

EDIT: questa è una risposta molto vecchia. Ora consiglierei l'uso di group_bye summariseda dplyr, come nella risposta @docendo.

Trovo avemolto utile (ed efficiente) quando è necessario applicare diverse funzioni di aggregazione su colonne diverse (e si deve / si desidera attenersi alla base R):

per esempio

Dato questo input:

DF <-                
data.frame(Categ1=factor(c('A','A','B','B','A','B','A')),
           Categ2=factor(c('X','Y','X','X','X','Y','Y')),
           Samples=c(1,2,4,3,5,6,7),
           Freq=c(10,30,45,55,80,65,50))

> DF
  Categ1 Categ2 Samples Freq
1      A      X       1   10
2      A      Y       2   30
3      B      X       4   45
4      B      X       3   55
5      A      X       5   80
6      B      Y       6   65
7      A      Y       7   50

vogliamo gruppo da Categ1e Categ2e calcolare la somma di Samplese intendiamo di Freq.
Ecco una possibile soluzione usando ave:

# create a copy of DF (only the grouping columns)
DF2 <- DF[,c('Categ1','Categ2')]

# add sum of Samples by Categ1,Categ2 to DF2 
# (ave repeats the sum of the group for each row in the same group)
DF2$GroupTotSamples <- ave(DF$Samples,DF2,FUN=sum)

# add mean of Freq by Categ1,Categ2 to DF2 
# (ave repeats the mean of the group for each row in the same group)
DF2$GroupAvgFreq <- ave(DF$Freq,DF2,FUN=mean)

# remove the duplicates (keep only one row for each group)
DF2 <- DF2[!duplicated(DF2),]

Risultato:

> DF2
  Categ1 Categ2 GroupTotSamples GroupAvgFreq
1      A      X               6           45
2      A      Y               9           40
3      B      X               7           50
6      B      Y               6           65

Il recente aggiunto dplyr::tally()ora rende questo più facile che mai:

tally(x, Category)

Category     n
First        30
Second       5
Third        34

È possibile utilizzare la funzione group.sumdal pacchetto Rfast .

Category <- Rfast::as_integer(Category,result.sort=FALSE) # convert character to numeric. R's as.numeric produce NAs.
result <- Rfast::group.sum(Frequency,Category)
names(result) <- Rfast::Sort(unique(Category)
# 30 5 34

Rfast ha molte funzioni di gruppo edgroup.sumè una di queste.

usando castinvece di recast(nota 'Frequency'è ora 'value')

df  <- data.frame(Category = c("First","First","First","Second","Third","Third","Second")
                  , value = c(10,15,5,2,14,20,3))

install.packages("reshape")

result<-cast(df, Category ~ . ,fun.aggregate=sum)

ottenere:

Category (all)
First     30
Second    5
Third     34

Un'altra soluzione che restituisce somme per gruppi in una matrice o in un frame di dati ed è breve e veloce:

rowsum(x$Frequency, x$Category)

Da allora dplyr 1.0.0, la across()funzione potrebbe essere utilizzata:

df %>%
 group_by(Category) %>%
 summarise(across(Frequency, sum))

  Category Frequency
  <chr>        <int>
1 First           30
2 Second           5
3 Third           34

Se interessati a più variabili:

df %>%
 group_by(Category) %>%
 summarise(across(c(Frequency, Frequency2), sum))

  Category Frequency Frequency2
  <chr>        <int>      <int>
1 First           30         55
2 Second           5         29
3 Third           34        190

E la selezione delle variabili usando gli helper selezionati:

df %>%
 group_by(Category) %>%
 summarise(across(starts_with("Freq"), sum))

  Category Frequency Frequency2 Frequency3
  <chr>        <int>      <int>      <dbl>
1 First           30         55        110
2 Second           5         29         58
3 Third           34        190        380

Dati di esempio:

df <- read.table(text = "Category Frequency Frequency2 Frequency3
                 1    First        10         10         20
                 2    First        15         30         60
                 3    First         5         15         30
                 4   Second         2          8         16
                 5    Third        14         70        140
                 6    Third        20        120        240
                 7   Second         3         21         42",
                 header = TRUE,
                 stringsAsFactors = FALSE)