¿Cómo resumir los datos por grupo en R?

Question

Tengo un marco de datos R como este:

         age group
1   23.0883     1
2   25.8344     1
3   29.4648     1
4   32.7858     2
5   33.6372     1
6   34.9350     1
7   35.2115     2
8   35.2115     2
9   35.2115     2
10  36.7803     1
...

Necesito obtener el marco de datos en la siguiente forma:

 group mean     sd
1     34.5     5.6
2     32.3     4.2
...

El número de grupo puede variar, pero sus nombres y cantidad se pueden obtener llamando al levels(factor(data$group))

¿Qué manipulaciones se deben hacer con los datos para obtener el resultado?

Answer 1

Una posibilidad es utilizar la función agregada . Por ejemplo,

 aggregate(data$age, by=list(data$group), FUN=mean)[2]

le da la segunda columna del resultado deseado.

Answer 2

Dado que está manipulando un marco de datos, el dplyr es probablemente la forma más rápida de hacerlo.

 library(dplyr)
dt <- data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T))
grp <- group_by(dt, group)
summarise(grp, mean=mean(age), sd=sd(age))

o de manera equivalente, usando el operador de tubería dplyr / magrittr

 library(dplyr)
dt <- data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T))
group_by(dt, group) %>%
 summarise(mean=mean(age), sd=sd(age))

EDITAR el uso completo del operador de tubería:

 library(dplyr)
data.frame(age=rchisq(20,10), group=sample(1:2,20, rep=T)) %>%
  group_by(group) %>%
  summarise(mean=mean(age), sd=sd(age))

Answer 3

Además de las sugerencias existentes, es posible que desee revisar la describe.by función en el psych paquete.

Proporciona una serie de estadísticas descriptivas que incluyen la media y la desviación estándar en función de una variable de agrupación.

Answer 4

¡Genial, gracias bquast por agregar la solución dplyr!

Resulta que entonces, dplyr y data.table están muy cerca:

 library(plyr)
library(dplyr)
library(data.table)
library(rbenchmark)

dtf <- data.frame(age=rchisq(100000,10),group=factor(sample(1:10,100000,rep=T)))
dt <- data.table(dtf)

setkey(dt,group)

a<-benchmark(ddply(dtf,~group,plyr:::summarise,mean=mean(age),sd=sd(age)),
         dt[,list(mean=mean(age),sd=sd(age)),by=group],
         group_by(dt, group) %>% summarise(mean=mean(age),sd=sd(age) ),
         group_by(dtf, group) %>% summarise(mean=mean(age),sd=sd(age) )
)

a[, c(1,3,4)]

data.table sigue siendo el más rápido, seguido muy de cerca por dplyr (), que curiosamente parece más rápido en data.frame que en data.table:

                                                               test elapsed relative
1 ddply(dtf, ~group, plyr:::summarise, mean = mean(age), sd = sd(age))   1.689    4.867
2               dt[, list(mean = mean(age), sd = sd(age)), by = group]   0.347    1.000
4   group_by(dtf, group) %>% summarise(mean = mean(age), sd = sd(age))   0.369    1.063
3    group_by(dt, group) %>% summarise(mean = mean(age), sd = sd(age))   0.580    1.671