r - R中按组求和的ddply

Question

我有一个示例数据框“数据”，如下所示:

X            Y  Month   Year    income
2281205 228120  3   2011    1000
2281212 228121  9   2010    1100
2281213 228121  12  2010    900
2281214 228121  3   2011    9000
2281222 228122  6   2010    1111
2281223 228122  9   2010    3000
2281224 228122  12  2010    1889
2281225 228122  3   2011    778
2281243 228124  12  2010    1111
2281244 228124  3   2011    200
2281282 228128  9   2010    7889
2281283 228128  12  2010    2900
2281284 228128  3   2011    3400
2281302 228130  9   2010    1200
2281303 228130  12  2010    2000
2281304 228130  3   2011    1900
2281352 228135  9   2010    2300
2281353 228135  12  2010    1333
2281354 228135  3   2011    2340

我想用 ddply计算每个人的收入 Y (不是 X )，如果我对每个 Y 有四个观察结果(例如，对于 2281223，2010 年的第 6、9、12 个月和 2011 年的第 3 个月)。如果我的观察值少于四个(例如 Y = 228130)，我只想忽略它。我在 R 中使用以下命令为上述目的:

require(plyr)
     # the data are in the data csv file
    data<-read.csv("data.csv")
    # convert Y (integers) into factors
    y<-as.factor(y)
    # get the count of each unique Y
    count<-ddply(data,.(Y), summarize, freq=length(Y))
    # get the sum of each unique Y 
    sum<-ddply(data,.(Y),summarize,tot=sum(income))
    # show the sum if number of observations for each Y is less than 4
    colbind<-cbind(count,sum)
    finalsum<-subset(colbind,freq>3)

我的输出如下:

>colbind
       Y freq      Y   tot
1 228120    1 228120  1000
2 228121    3 228121 11000
3 228122    4 228122  6778
4 228124    2 228124  1311
5 228128    3 228128 14189
6 228130    3 228130  5100
7 228135    3 228135  5973
>finalsum
       Y freq    Y.1  tot
3 228122    4 228122 6778

上面的代码有效，但需要很多步骤。所以，我想知道是否有一种简单的方法来执行上述任务(使用 plyr 包)。

Answer 1

正如评论中所指出的，您可以在 summarize 中进行多项操作。 .

这将您的代码减少到一行 ddply()和一行子集，使用 [ 很容易运算符(operator):

x <- ddply(data, .(Y), summarize, freq=length(Y), tot=sum(income))
x[x$freq > 3, ]

       Y freq  tot
3 228122    4 6778

使用 data.table 这也非常容易包裹:

library(data.table)
data.table(data)[, list(freq=length(income), tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778

实际上，计算向量长度的操作在 data.table中有自己的快捷方式。 - 使用 .N捷径:

data.table(data)[, list(freq=.N, tot=sum(income)), by=Y][freq > 3]
        Y freq  tot
1: 228122    4 6778