r - 为什么 mean() 和 mean(aggregate()) 返回不同的结果？

Question

我想计算一个平均值。这是带有示例数据的代码:

# sample data
Nr <- c(1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23)
dph <- c(3.125000, 6.694737, 4.310680, 11.693735, 103.882353, 11.000000, 7.333333, 20.352941, 5.230769, NA, 4.615385, 47.555556, 2.941176, 18.956522, 44.320000, 28.500000, NA, 10.470588, 19.000000, 25.818182, 43.216783, 51.555556, 8.375000, 6.917647, 9.375000, 5.647059, 4.533333, 27.428571, 14.428571, NA, 1.600000, 5.764706, 4.705882, 55.272727, 2.117647, 30.888889, 41.222222, 23.444444, 2.428571, 6.200000, 17.076923, 21.280000, 40.829268, 14.500000, 6.250000, NA, 15.040000, 5.687204, 2.400000, NA, 26.375000, 18.064516, 4.000000, 6.139535, 8.470588, 128.666667, 2.235294, 34.181818, 116.000000, 6.000000, 5.777778, 10.666667, 15.428571, 54.823529, 81.315789, 42.333333)
dat <- data.frame(cbind(Nr = Nr, dph = dph))

# calculate mean directly
mean(dat$dph, na.rm = TRUE)
[1] 23.02403

# aggregate first, then calculate mean
mean(aggregate(dph ~ Nr, dat, mean, na.rm = T)$dph)
[1] 22.11743

# 23.02403 != 22.11743

为什么我会得到两个不同的结果？

---

问题解释:

我需要执行 Wilcoxon 检验，比较前基线和后基线。 Pre 是 3 个测量值，post 是 16 个。因为 Wilcoxon 检验需要两个长度相等的向量，所以我用 aggregate 计算每个患者的 pre 和 post 的平均值。 , 创建两个等长的向量。以上数据为pre.

编辑:

患者编号4 从数据中删除。但是使用 Nr <- rep(1:22, 3)返回相同的结果。

Answer 1

我认为这是因为在 mean(dat$x, na.rm=T) 版本中，每个被删除的 NA 都会减少观察次数1，而如果您首先聚合，在您的示例中，第 10 行(ID 11)中有一个 NA 已被删除，但由于 ID 为 11 的其他行不包含 NA(或至少其中一个不包含 NA)，因此您用于计算每个 ID 的均值 after 聚合的观察次数(唯一 ID)不会针对每个 NA 减少 1。因此，IMO 的不同之处在于将 dph 的总和除以不同数量的观察值，这在两种计算中应该相同。

您可以通过将 NA 条目更改为 0 并再次计算两个版本的平均值来验证这一点，它们将返回相同的值。

但通常您应该注意，它仅适用于此处，因为您对每个 ID 的观察次数相同(在本例中为 3)。如果它们不同，您将再次得到不同的结果。