问题描述
我有以下数据,包括10种产品(a,b,c,...)及其说明(其他变量)。
我需要报告产品之间其他变量(中位数/比例)的汇总统计量如何变化(应将每个汇总统计值的最小值和最大值打印出来。)
例如:
哪个产品的价格最低而哪个中位数价格最高(只需报告两个值,产品名称无关紧要)。
哪个产品具有最低和最高的“不良”评级比例(只需报告两个值,产品名称无关紧要)。
有简单的编码方法吗?我的实际数据中有10,000种产品和150个其他变量,只盯着汇总表会杀死我。
数据
```{r}
data.frame(
product = rep(letters[1:10],each = 2,times = 500),price = rnorm(1000,100,30),weight = rnorm(1000,8,2),price_category = rep(c("expensive","cheap"),each = 4,times = 250),rating = replicate(1,sample(c("good","bad"),1000,rep=TRUE)))
```
解决方法
您可以查看dplyr
软件包,以便轻松回答此类问题。
- 哪个产品的中位数最低,哪个价格最高?
library(dplyr)
df %>%
group_by(product) %>%
summarise(median_price = median(price)) %>%
slice(which.min(median_price),which.max(median_price))
# product median_price
# <chr> <dbl>
#1 f 91.9
#2 e 107.
- 哪种产品的“不良”评级比例最低和最高
df %>%
group_by(product) %>%
summarise(prop_of_bad_ratings = mean(rating == 'bad')) %>%
slice(which.min(prop_of_bad_ratings),which.max(prop_of_bad_ratings))
# product prop_of_bad_ratings
# <chr> <dbl>
#1 j 0.44
#2 c 0.55
,
您还可以使用数据表。 :=
运算符通过将价格列与by
分组来进行就地分配(在这种情况下,创建新的中位数列)
论据。然后,您可以找到最小值和最大值。 .N
运算符获得数据值数量的计数。
library(data.table)
dt <- data.table(data.frame(
product = rep(letters[1:10],each = 2,times = 500),price = rnorm(1000,100,30),weight = rnorm(1000,8,2),price_category = rep(c("expensive","cheap"),each = 4,times = 250),rating = replicate(1,sample(c("good","bad"),1000,rep=TRUE))))
dt[,medians := median(price),by=product]
# Highest and lowest median price
dt[c(which.min(medians),which.max(medians)),medians]
# Calculate proportions of each product
dt[,prodcount := .N,by=product]
dt[,percent := 100 * (.N / prodcount),by=.(rating,product)]
bad <- dt[rating == 'bad',]
bad[c(which.min(percent),which.max(percent))]