Frequenze / proporzioni relative con dplyr

Supponiamo che io voglia calcolare la proporzione di valori diversi all'interno di ciascun gruppo. Ad esempio, utilizzando i mtcarsdati, come posso calcolare la frequenza relativa del numero di marce per am (automatica / manuale) in una volta sola 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 

Cosa vorrei ottenere:

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

Prova questo:

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

Dalla vignetta dplyr :

Quando si raggruppano per più variabili, ciascun riepilogo si stacca da un livello del raggruppamento. Ciò semplifica il rollup progressivo di un set di dati.

Quindi, dopo il summarise, l'ultima variabile di raggruppamento specificata in group_by, 'gear', viene staccata. Nel mutatepassaggio, i dati sono raggruppati in base alle variabili di raggruppamento rimanenti, qui 'am'. È possibile verificare il raggruppamento in ogni passaggio con groups.

Il risultato del peeling dipende ovviamente dall'ordine delle variabili di raggruppamento nella group_bychiamata. Potresti voler fare un successivo group_by(am), per rendere il tuo codice più esplicito.

Per arrotondamenti e preimpostazioni, fare riferimento alla bella risposta di @Tyler Rinker.

Puoi usare la count()funzione, che ha comunque un comportamento diverso a seconda della versione di dplyr:

• dplyr 0.7.1: restituisce una tabella non raggruppata : è necessario raggruppare nuovamente peram

• dplyr <0.7.1: restituisce una tabella raggruppata , quindi non è necessario raggruppare di nuovo, anche se potrebbe essere necessario ungroup()per manipolazioni successive

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))

Ciò si traduce in una tabella raggruppata , se si desidera utilizzarlo per ulteriori analisi, potrebbe essere utile rimuovere l' attributo raggruppato con ungroup().

@ Henrik's è migliore per usabilità in quanto ciò renderà il carattere della colonna e non più numerico ma corrisponde a quello che hai chiesto ...

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 Perché Spacedman lo ha chiesto :-)

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%

Ecco una funzione generale che implementa la soluzione di Henrik su dplyr0.7.1.

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
}

Ho scritto una piccola funzione per questo compito ripetuto:

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

Posso quindi usarlo come:

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

Restituisce:

# 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

Nonostante le molte risposte, un altro approccio che utilizza prop.tablein combinazione con dplyro data.table.

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"]

Questa risposta si basa sulla risposta di Matifou.

Innanzitutto l'ho modificato per essere sicuro di non restituire la colonna freq come colonna di notazione scientifica usando l'opzione scipen.

Quindi moltiplico la risposta per 100 per ottenere una percentuale anziché decimale per rendere la colonna freq più facile da leggere in percentuale.

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