r - Dplyr 在没有所有数据的情况下计算均值和方差

Question

我有一个数据集，开始时如下所示:

set.seed(50)
n <- 20
s_num <- c(10,20,30)
counts <- c(0,1,2,3,4)

strata <- sample(s_num, n, replace=T)
sites <- seq(1, n, by=1)
observed <- sample(counts, n, replace=T)

df <- as.data.frame(cbind(strata,sites,observed))

我可以按阶层分组并使用 dplyr 获得均值和方差:

library(dplyr)
df2 <- df %>%
  group_by(strata) %>%
  summarise(mcount = mean(observed),
            varcount = var(observed))

问题是数据库中不再有 0 个计数:

df3 <- subset(df,observed != 0)

所以均值和方差现在不正确:

df4 <- df3 %>%
  group_by(strata) %>%
  summarise(mcount = mean(observed),
            varcount = var(observed))

但我有网站的数量:

site_count <- df %>%
  group_by(strata) %>%
  summarise(count_plot = n_distinct(sites))

我仍然可以使用 dplyr 计算不带 0 的均值方差吗？通过将站点计数合并到 df，平均实际上并不太难；方差更难。如果需要，我可以添加回 0 行，但如果可能的话，我想看看是否有一种简单的解决方法。谢谢。

Answer 1

一旦您计算了 count_plot，您就可以根据公式手动计算均值和方差。

方差计算为 sum((x - mean(x))^2)/(length(x) - 1)

df3 %>% 
  left_join(site_count) %>% 
  group_by(strata) %>%
  summarise(N        = unique(count_plot),
            mcount   = sum(observed)/N,
            varcount = sum((observed - mcount)^2, (N - n())*mcount^2)/(N - 1)) %>% 
  select(-N)


# # A tibble: 3 x 3
#   strata mcount varcount
#    <dbl>  <dbl>    <dbl>
# 1   10.0   1.89    0.861
# 2   20.0   1.33    1.07 
# 3   30.0   2.40    2.30 

匹配 df2

df2

# A tibble: 3 x 3
  strata mcount varcount
   <dbl>  <dbl>    <dbl>
1   10.0   1.89    0.861
2   20.0   1.33    1.07 
3   30.0   2.40    2.30