r - 如何使用 dplyr 计算 R 中的分组 z 分数？

Question

使用 iris我正在尝试计算每个变量的 z 分数。通过执行以下操作，我获得了整洁格式的数据:

library(reshape2)
library(dplyr)
test <- iris
test <- melt(iris,id.vars = 'Species')

这给了我以下内容:

  Species     variable value
1  setosa Sepal.Length   5.1
2  setosa Sepal.Length   4.9
3  setosa Sepal.Length   4.7
4  setosa Sepal.Length   4.6
5  setosa Sepal.Length   5.0
6  setosa Sepal.Length   5.4

但是当我尝试为每个组创建一个 z-score 列时(例如，Sepal.Length 的 z-score 将无法与 Sepal.Width 的 z-score 相比)，使用以下内容:

test <- test %>% 
  group_by(Species, variable) %>% 
  mutate(z_score = (value - mean(value)) / sd(value))

生成的 z 分数尚未分组，而是基于所有数据。

使用 dpylr 按组返回 z 分数的最佳方法是什么？

非常感谢!

Answer 1

您的代码按组为您提供 z 分数。在我看来，这些 z 分数应该完全具有可比性，因为您已将每个组单独缩放为 mean=0 和 sd=1，而不是根据完整数据框的平均值和 sd 缩放每个值。例如:

library(tidyverse)

首先，设置熔化的数据框:

dat = iris %>% 
  gather(variable, value, -Species) %>%
  group_by(Species, variable) %>% 
  mutate(z_score_group = (value - mean(value)) / sd(value)) %>%   # You can also use scale(value) as pointed out by @RuiBarradas
  ungroup %>% 
  mutate(z_score_ungrouped = (value - mean(value)) / sd(value)) 

现在看前三行，和直接计算比较:

head(dat, 3)

#   Species     variable value z_score_group z_score_ungrouped
# 1  setosa Sepal.Length   5.1     0.2666745         0.8278959
# 2  setosa Sepal.Length   4.9    -0.3007180         0.7266552
# 3  setosa Sepal.Length   4.7    -0.8681105         0.6254145

# z-scores by group
with(dat, (value[1:3] - mean(value[Species=="setosa" & variable=="Sepal.Length"])) / sd(value[Species=="setosa" & variable=="Sepal.Length"]))

# [1]  0.2666745 -0.3007180 -0.8681105

# ungrouped z-scores
with(dat, (value[1:3] - mean(value)) / sd(value))

# [1] 0.8278959 0.7266552 0.6254145

现在可视化 z 分数:下面的第一张图是原始数据。第二个是未分组的 z 分数——我们刚刚将数据重新调整为整体均值 = 0 和 SD = 1。第三张图是您的代码生成的内容。每个组都已单独缩放为均值 = 0 和 SD = 1。

gridExtra::grid.arrange(
  grobs=setNames(names(dat)[c(3,5,4)], names(dat)[c(3,5,4)]) %>% 
    map(~ ggplot(dat %>% mutate(group=paste(Species,variable,sep="_")), 
                 aes_string(.x, colour="group")) + geom_density()),
  ncol=1)