个人中心
文章发布
退出
作者热门文章
- html - 出于某种原因，IE8 对我的 Sass 文件中继承的 html5 CSS 不友好？
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景？
25
4
我想使用 pastecs 包中的信息丰富的 stat.desc 函数来按组描述我的数据框中的许多列。让我们将 iris 数据集作为 MWE。所以我对每一列都这样做:
by(iris$Sepal.Length,list(iris$Species),pastecs::stat.desc,norm = TRUE)
by(iris$Sepal.Width,list(iris$Species),pastecs::stat.desc,norm = TRUE)
by(iris$Petal.Length,list(iris$Species),pastecs::stat.desc,norm = TRUE)
by(iris$Petal.Width,list(iris$Species),pastecs::stat.desc,norm = TRUE)
但是当您有很多列时，这绝对是乏味的，因此您通常希望对此进行矢量化。经过多次试验，我发现了一种使用 apply 和 by() 函数的方法，如下所示:
apply (iris[,1:4],2,function (x) by (x,list (iris$Species),pastecs::stat.desc,norm=TRUE))
list参数是根据哪个组来判断的，norm=TRUE是属于stat.desc的参数，用来描述数据的正态性。
结果
$Sepal.Length
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.30000 5.80000 1.50000 250.30000 5.00000 5.00600 0.04985
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.10018 0.12425 0.35249 0.07041 0.11298 0.16782 -0.45087 -0.34059 0.97770 0.45951
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.90000 7.00000 2.10000 296.80000 5.90000 5.93600 0.07300
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.14669 0.26643 0.51617 0.08696 0.09914 0.14727 -0.69391 -0.52418 0.97784 0.46474
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.90000 7.90000 3.00000 329.40000 6.50000 6.58800 0.08993
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.18071 0.40434 0.63588 0.09652 0.11103 0.16493 -0.20326 -0.15354 0.97118 0.25831
$Sepal.Width
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.30000 4.40000 2.10000 171.40000 3.40000 3.42800 0.05361
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.10773 0.14369 0.37906 0.11058 0.03873 0.05753 0.59595 0.45018 0.97172 0.27153
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.00000 3.40000 1.40000 138.50000 2.80000 2.77000 0.04438
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.08918 0.09847 0.31380 0.11328 -0.34136 -0.50708 -0.54932 -0.41495 0.97413 0.33800
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.20000 3.80000 1.60000 148.70000 3.00000 2.97400 0.04561
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.09165 0.10400 0.32250 0.10844 0.34428 0.51141 0.38038 0.28734 0.96739 0.18090
$Petal.Length
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.00000 1.90000 0.90000 73.10000 1.50000 1.46200 0.02456
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.04935 0.03016 0.17366 0.11879 0.10010 0.14869 0.65393 0.49397 0.95498 0.05481
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 3.00000 5.10000 2.10000 213.00000 4.35000 4.26000 0.06646
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.13355 0.22082 0.46991 0.11031 -0.57060 -0.84760 -0.19026 -0.14372 0.96600 0.15848
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.50000 6.90000 2.40000 277.60000 5.55000 5.55200 0.07805
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.15685 0.30459 0.55189 0.09940 0.51692 0.76785 -0.36512 -0.27581 0.96219 0.10978
$Petal.Width
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
5.000e+01 0.000e+00 0.000e+00 1.000e-01 6.000e-01 5.000e-01 1.230e+01 2.000e-01 2.460e-01 1.490e-02
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
2.995e-02 1.111e-02 1.054e-01 4.284e-01 1.180e+00 1.752e+00 1.259e+00 9.508e-01 7.998e-01 8.659e-07
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.00000 1.80000 0.80000 66.30000 1.30000 1.32600 0.02797
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.05620 0.03911 0.19775 0.14913 -0.02933 -0.04357 -0.58731 -0.44365 0.94763 0.02728
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.40000 2.50000 1.10000 101.30000 2.00000 2.02600 0.03884
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.07805 0.07543 0.27465 0.13556 -0.12181 -0.18094 -0.75396 -0.56953 0.95977 0.08695
R> apply (iris[,1:4],2,function (x,y=iris$Species) by (x,list (y),pastecs::stat.desc,norm=TRUE))
$Sepal.Length
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.30000 5.80000 1.50000 250.30000 5.00000 5.00600 0.04985
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.10018 0.12425 0.35249 0.07041 0.11298 0.16782 -0.45087 -0.34059 0.97770 0.45951
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.90000 7.00000 2.10000 296.80000 5.90000 5.93600 0.07300
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.14669 0.26643 0.51617 0.08696 0.09914 0.14727 -0.69391 -0.52418 0.97784 0.46474
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.90000 7.90000 3.00000 329.40000 6.50000 6.58800 0.08993
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.18071 0.40434 0.63588 0.09652 0.11103 0.16493 -0.20326 -0.15354 0.97118 0.25831
$Sepal.Width
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.30000 4.40000 2.10000 171.40000 3.40000 3.42800 0.05361
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.10773 0.14369 0.37906 0.11058 0.03873 0.05753 0.59595 0.45018 0.97172 0.27153
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.00000 3.40000 1.40000 138.50000 2.80000 2.77000 0.04438
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.08918 0.09847 0.31380 0.11328 -0.34136 -0.50708 -0.54932 -0.41495 0.97413 0.33800
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 2.20000 3.80000 1.60000 148.70000 3.00000 2.97400 0.04561
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.09165 0.10400 0.32250 0.10844 0.34428 0.51141 0.38038 0.28734 0.96739 0.18090
$Petal.Length
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.00000 1.90000 0.90000 73.10000 1.50000 1.46200 0.02456
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.04935 0.03016 0.17366 0.11879 0.10010 0.14869 0.65393 0.49397 0.95498 0.05481
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 3.00000 5.10000 2.10000 213.00000 4.35000 4.26000 0.06646
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.13355 0.22082 0.46991 0.11031 -0.57060 -0.84760 -0.19026 -0.14372 0.96600 0.15848
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 4.50000 6.90000 2.40000 277.60000 5.55000 5.55200 0.07805
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.15685 0.30459 0.55189 0.09940 0.51692 0.76785 -0.36512 -0.27581 0.96219 0.10978
$Petal.Width
: setosa
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
5.000e+01 0.000e+00 0.000e+00 1.000e-01 6.000e-01 5.000e-01 1.230e+01 2.000e-01 2.460e-01 1.490e-02
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
2.995e-02 1.111e-02 1.054e-01 4.284e-01 1.180e+00 1.752e+00 1.259e+00 9.508e-01 7.998e-01 8.659e-07
------------------------------------------------------------------------------------------------------
: versicolor
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.00000 1.80000 0.80000 66.30000 1.30000 1.32600 0.02797
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.05620 0.03911 0.19775 0.14913 -0.02933 -0.04357 -0.58731 -0.44365 0.94763 0.02728
------------------------------------------------------------------------------------------------------
: virginica
nbr.val nbr.null nbr.na min max range sum median mean SE.mean
50.00000 0.00000 0.00000 1.40000 2.50000 1.10000 101.30000 2.00000 2.02600 0.03884
CI.mean.0.95 var std.dev coef.var skewness skew.2SE kurtosis kurt.2SE normtest.W normtest.p
0.07805 0.07543 0.27465 0.13556 -0.12181 -0.18094 -0.75396 -0.56953 0.95977 0.08695
问题
如何使用 dplyr 包重现这些结果？
我失败的尝试是:
iris %>%
group_by (Species) %>%
summarise_each(funs(pastecs::stat.desc,norm=TRUE))
最佳答案
这是一个使用 dplyr
library(pastecs)
library(dplyr)
res <- iris %>%
group_by(Species) %>%
do(data.frame(lapply(.[setdiff(names(.), 'Species')],
stat.desc, norm = TRUE))) %>%
mutate(measure = names(stat.desc(Sepal.Length, norm = TRUE)))
编辑:添加了对应于 stat.desc 的 names(基于@Jaap 的建议)
关于r - 如何在 R 中使用 dplyr 包重现这个 "apply"示例？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35817219/
25
4
0
我被这种奇怪的事情难住了。 假设我有这个数组: var array = [{ something: 'special' }, 'and', 'a', 'bunch', 'of', 'paramet
假设我们有这样的代码: let fn1 = Function.apply.bind(Math.max, null); fn1([1, 10, 5]); // returns 10 我知道它是 ES6
所以我尝试通过数据绑定(bind)调用我的 viewModel 原型(prototype)上的方法。我通过“单击”将两个不同的元素数据绑定(bind)到同一方法。当我单击第一个按钮(“新游戏”按钮)时
观察以下代码 trait Example { type O def apply(o: O) def f(o: O) = this.apply(o) } 在Scala中编译良好。我希望我可以
我知道 apply f in H 可用于将假设应用于函数，并且我知道 apply f with a b c 可用于提供参数直接应用 f 时，它无法自行推断。 是否可以以某种方式将两者结合使用？ 最佳答
这个问题已经有答案了: How to override apply in a case class companion (10 个回答) 已关闭 6 年前。 我正在尝试重载案例类的 apply 方法:
我有一个自定义的Grails 4.x配置文件。我想为我的应用程序生成一个“apply from”条目。 apply from:"${rootProject.projectDir}/gradle/clo
传统上对象继承如下所示: function Parent() { console.log('parent constructor'); } Parent.prototype.method = f
今天在检查Jasmine 的源代码时here我偶然发现了以下内容: if (queueableFn.timeout) { timeoutId = Function.prototype.appl
据我所知，关键字new会使用this创建一个包含函数中定义的属性的对象。但我不知道如何应用 使用 apply 将其他函数链接到该函数。并且创建的对象在这些函数中具有属性。有人能弄清楚代码中发生了什么吗
我一直在我的 InitComponent 中使用 Ext.Apply，就像这样 Ext.apply(that, { xtype: 'form', items: [.
我们有数百个存储库，并定期从上游接收补丁。作业应用这些补丁 git apply --check .如果没有错误，则应用补丁 git apply 并且更改已提交。如果有任何错误，补丁将标记为 conf
我最近通过调用 console.log.toString() 查看了 firebugs console.log 的代码并得到了这个: function () { return Function.app
拿这个代码: $scope.$apply(function(){ $scope.foo = 'test'; }); 对比这个: $scope.foo = 'test'; $scope.$app
我在 Oracle-12c 中有一个类似于典型论坛的架构 accounts , posts , comments .我正在编写一个查询来获取... 一位用户 该用户的所有帖子 对每个帖子的评论 以及每
我试图更好地理解在 Angular 中使用 $timeout 服务作为一种“安全 $apply”方法的细微差别。基本上在一段代码可以运行以响应 Angular 事件或非 Angular 事件(例如 j
到目前为止，我使用的是 this当我有多个时间序列要预测时，我使用了 Hyndman 教授的方法。但是当我有大量的 ts 时它相当慢。 现在我正在尝试使用 apply() 函数，如下所示 librar
我听说过很多关于 pandas apply 很慢的说法，应该尽可能少用。 我这里有个情况: df = pd.DataFrame({'Date': ['2019-01-02', '2019-01-03'
在学习Javascript时，我尝试重新声明函数的apply属性。到目前为止没有问题。 function foo() { return 1; } alert(foo()); // 1 alert(fo
所以我正在做 learnRx http://reactive-extensions.github.io/learnrx/我有一个关于制作 mergeAll() 函数的问题(问题 10)。 这是我的答案
我是一名优秀的程序员,十分优秀！