Da quando ho capito che (l'eccellente) risposte a questo post mancano by
e aggregate
spiegazioni. Ecco il mio contributo.
DI
La by
funzione, come indicato nella documentazione, può essere però un "wrapper" per tapply
. Il potere di by
sorge quando vogliamo calcolare un compito che tapply
non è in grado di gestire. Un esempio è questo codice:
ct <- tapply(iris$Sepal.Width , iris$Species , summary )
cb <- by(iris$Sepal.Width , iris$Species , summary )
cb
iris$Species: setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
--------------------------------------------------------------
iris$Species: versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
--------------------------------------------------------------
iris$Species: virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
ct
$setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
$versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
$virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
Se stampiamo questi due oggetti ct
e cb
"essenzialmente" otteniamo gli stessi risultati e le uniche differenze sono nel modo in cui sono mostrati e nei diversi class
attributi, rispettivamente by
per cb
e array
perct
.
Come ho già detto, il potere di by
sorge quando non possiamo usarlotapply
; il seguente codice è un esempio:
tapply(iris, iris$Species, summary )
Error in tapply(iris, iris$Species, summary) :
arguments must have same length
R dice che gli argomenti devono avere le stesse lunghezze, ad esempio "vogliamo calcolare il summary
di tutte le variabili iris
lungo il fattoreSpecies
": ma R semplicemente non può farlo perché non sa come gestirlo.
Con la by
funzione R invia un metodo specifico per la data frame
classe e poi lascia chesummary
funzione funzioni anche se la lunghezza del primo argomento (e anche il tipo) sono diverse.
bywork <- by(iris, iris$Species, summary )
bywork
iris$Species: setosa
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.300 Min. :2.300 Min. :1.000 Min. :0.100 setosa :50
1st Qu.:4.800 1st Qu.:3.200 1st Qu.:1.400 1st Qu.:0.200 versicolor: 0
Median :5.000 Median :3.400 Median :1.500 Median :0.200 virginica : 0
Mean :5.006 Mean :3.428 Mean :1.462 Mean :0.246
3rd Qu.:5.200 3rd Qu.:3.675 3rd Qu.:1.575 3rd Qu.:0.300
Max. :5.800 Max. :4.400 Max. :1.900 Max. :0.600
--------------------------------------------------------------
iris$Species: versicolor
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.000 Min. :3.00 Min. :1.000 setosa : 0
1st Qu.:5.600 1st Qu.:2.525 1st Qu.:4.00 1st Qu.:1.200 versicolor:50
Median :5.900 Median :2.800 Median :4.35 Median :1.300 virginica : 0
Mean :5.936 Mean :2.770 Mean :4.26 Mean :1.326
3rd Qu.:6.300 3rd Qu.:3.000 3rd Qu.:4.60 3rd Qu.:1.500
Max. :7.000 Max. :3.400 Max. :5.10 Max. :1.800
--------------------------------------------------------------
iris$Species: virginica
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.200 Min. :4.500 Min. :1.400 setosa : 0
1st Qu.:6.225 1st Qu.:2.800 1st Qu.:5.100 1st Qu.:1.800 versicolor: 0
Median :6.500 Median :3.000 Median :5.550 Median :2.000 virginica :50
Mean :6.588 Mean :2.974 Mean :5.552 Mean :2.026
3rd Qu.:6.900 3rd Qu.:3.175 3rd Qu.:5.875 3rd Qu.:2.300
Max. :7.900 Max. :3.800 Max. :6.900 Max. :2.500
funziona davvero e il risultato è molto sorprendente. È un oggetto di classe by
che insiemeSpecies
(diciamo, per ciascuno di essi) calcola il valore summary
di ciascuna variabile.
Notare che se il primo argomento è a data frame
, la funzione spedita deve avere un metodo per quella classe di oggetti. Ad esempio, usiamo questo codice con la mean
funzione che avremo questo codice che non ha alcun senso:
by(iris, iris$Species, mean)
iris$Species: setosa
[1] NA
-------------------------------------------
iris$Species: versicolor
[1] NA
-------------------------------------------
iris$Species: virginica
[1] NA
Warning messages:
1: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
2: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
3: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
AGGREGATO
aggregate
può essere visto come un altro modo diverso di utilizzarlo tapply
se lo utilizziamo in questo modo.
at <- tapply(iris$Sepal.Length , iris$Species , mean)
ag <- aggregate(iris$Sepal.Length , list(iris$Species), mean)
at
setosa versicolor virginica
5.006 5.936 6.588
ag
Group.1 x
1 setosa 5.006
2 versicolor 5.936
3 virginica 6.588
Le due differenze immediate sono che il secondo argomento di aggregate
deve essere un elenco mentre tapply
può (non obbligatorio) essere un elenco e che l'output di aggregate
è un frame di dati mentre quello ditapply
è unarray
.
Il potere di aggregate
è che può gestire facilmente sottoinsiemi di dati con subset
argomento e che ha metodi per ts
oggetti eformula
pure.
Questi elementi aggregate
facilitano il lavoro tapply
in alcune situazioni. Ecco alcuni esempi (disponibili nella documentazione):
ag <- aggregate(len ~ ., data = ToothGrowth, mean)
ag
supp dose len
1 OJ 0.5 13.23
2 VC 0.5 7.98
3 OJ 1.0 22.70
4 VC 1.0 16.77
5 OJ 2.0 26.06
6 VC 2.0 26.14
Possiamo ottenere lo stesso con tapply
ma la sintassi è leggermente più difficile e l'output (in alcune circostanze) meno leggibile:
att <- tapply(ToothGrowth$len, list(ToothGrowth$dose, ToothGrowth$supp), mean)
att
OJ VC
0.5 13.23 7.98
1 22.70 16.77
2 26.06 26.14
Ci sono altre volte in cui non possiamo usare by
o tapply
e dobbiamo usare aggregate
.
ag1 <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)
ag1
Month Ozone Temp
1 5 23.61538 66.73077
2 6 29.44444 78.22222
3 7 59.11538 83.88462
4 8 59.96154 83.96154
5 9 31.44828 76.89655
Non possiamo ottenere il risultato precedente con tapply
in una chiamata, ma dobbiamo calcolare la media insieme Month
per ogni elemento e quindi combinarli (nota anche che dobbiamo chiamare il na.rm = TRUE
, perché i formula
metodi della aggregate
funzione hanno di default il na.action = na.omit
):
ta1 <- tapply(airquality$Ozone, airquality$Month, mean, na.rm = TRUE)
ta2 <- tapply(airquality$Temp, airquality$Month, mean, na.rm = TRUE)
cbind(ta1, ta2)
ta1 ta2
5 23.61538 65.54839
6 29.44444 79.10000
7 59.11538 83.90323
8 59.96154 83.96774
9 31.44828 76.90000
mentre con by
non possiamo proprio conseguire che in effetti la seguente chiamata di funzione restituisce un errore (ma molto probabilmente è correlata alla funzione fornita mean
):
by(airquality[c("Ozone", "Temp")], airquality$Month, mean, na.rm = TRUE)
Altre volte i risultati sono gli stessi e le differenze sono solo nell'oggetto class (e quindi come viene mostrato / stampato e non solo - esempio, come sottoinsediarlo):
byagg <- by(airquality[c("Ozone", "Temp")], airquality$Month, summary)
aggagg <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, summary)
Il codice precedente raggiunge lo stesso obiettivo e gli stessi risultati, in alcuni punti quale strumento usare è solo una questione di gusti e bisogni personali; i due oggetti precedenti hanno esigenze molto diverse in termini di subsetting.
*apply()
eby
. plyr (almeno per me) sembra molto più coerente in quanto so sempre esattamente quale formato di dati si aspetta e esattamente cosa sputerà. Questo mi risparmia molta seccatura.