有條件地去除R中的分組數據的行

Question

我試圖提取1950年至2015年期間幾個儀表站的年平均降雨量。降雨數據集由每日測量值組成。

在計算每個單獨站點的年平均值之前，我需要過濾數據，以便每個月必須有> 15天的數據值。

這怎麼可能在R？

讓這成爲一個工作示例：

id<-rep(c("Station_1","Station_2","Station_3"),length(1),each=1080) 
year<-rep(c(1950:1952),length(1:3),each=360) 
month <- rep(c(1:12),length(1:9),each=30) 
day <- rep(c(1:30),length(1:108)) 
value<-runif(3240, min=0, max=10) 

df<-data.frame(cbind(id,year,month,day,value)) 

我想是這樣的：

result<-df %>% 
    group_by(id,year,month) %>% 
    summarise(No._of_days=n(),mean_month=mean(value)) 
result<-result[!(result$No._of_days<15),] 
result<-result %>% 
    group_by(id,year) %>% 
    summarise(No._of_months=n(),mean_year=mean(mean_month)) 

然而，這導致了錯誤的解決辦法，因爲我的「從平均平均」服用。

感謝您的任何建議。

Answer 1

原始數據：刪除創建數據框時的默認因式分解變量。

df<-data.frame(id = id,year = year, month = month, day = day, value = value, stringsAsFactors = FALSE) 

組數據由id, year, month，並得到天的使用.N內部變量子集的數量。接下來，鏈接結果（類似於dplyr中的％>％）。現在分組id, year，然後是條件N > 15，最後計算該子集的mean降雨量並存儲在avg_rainfall中。

setDT參照

library("data.table") 
setDT(df)[, .(value, .N), by = .(id, year, month)][N > 15, .(avg_rainfall = mean(value)), by = .(id, year)] 

#   id year avg_rainfall 
# 1: Station_1 1950  4.852840 
# 2: Station_1 1951  5.138069 
# 3: Station_1 1952  4.934006 
# 4: Station_2 1950  4.870335 
# 5: Station_2 1951  5.179425 
# 6: Station_2 1952  5.055026 
# 7: Station_3 1950  4.959524 
# 8: Station_3 1951  5.049996 
# 9: Station_3 1952  4.927548 

Answer 2

有幾件事情，例子data.frame轉換數據幀到數據表，因爲你如何創建它，一切的代碼作爲一個因素。用這個代替：

df<-data.frame(id = id, 
       year = year, 
       month = month, 
       day = day, 
       value = value) 

然後（我很抱歉，我不是一個magrittr風扇）下面的工作：

# Filter into a new data.frame 
df2 <- semi_join(df, 
      filter(summarise(group_by(df, year, month), N = n()), N > 15), 
      by = c(year = "year", 
       month = "month")) 

# Summarise 
summarise(group_by(df2, id), 
      value = mean(value, na.rm = TRUE)) 

Answer 3

只注重代碼，它爲我工作，一些修改。例如。你寫了你想要> 15天的數據，但選擇> 14，也確保值是數字，而不是你的DF的因素。

`df<-data.frame(cbind(id,year,month,day,value)) 
df$value<- as.numeric(as.character(df$value)) 
    result<-df %>% 
    group_by(id,year,month) %>% 
    summarise(No._of_days=n(),mean_month=mean(value)) 
result<-result[!(result$No._of_days<=15),] 
result<-result %>% 
    group_by(id,year) %>% 
    summarise(No._of_months=n(),mean_year=mean(mean_month))` 

代碼：從數學的角度來看，這種方法對我來說並不清楚。爲什麼要排除每年總計少於16次測量的所有內容？如果您的測量結果是真實存在的，請考慮使用您在任何月份的值，並將數據集中所有缺失的天數計算在內（例如，對每個測站使用迴歸，年份（連續），日曆周，前後降雨天）。

使用 dplyr和 magrittr

Answer 4

稍微不同的方法：

library(dplyr) 
set.seed(42) # this is only so we get consistent results to compare 

# then generate id, year month, day, and value using your code 
# but use what @NJBurgo used to generate df 

df<-data.frame(id = id, 
     year = year, 
     month = month, 
     day = day, 
     value = value) 

result <- df %>% 
    group_by(id,year,month) %>% 
    mutate(No._of_days=n()) %>% 
    filter(No._of_days > 15) %>% ## keep only rows with number of days greater than 15 
    ungroup() %>% 
    group_by(id,year) %>% 
    summarize(mean_year=mean(value)) 

# using set.seed(42), you should get 
print(result) 
##   id year mean_year 
##  <fctr> <int>  <dbl> 
##1 Station_1 1950 4.954538 
##2 Station_1 1951 4.878709 
##3 Station_1 1952 4.737996 
##4 Station_2 1950 4.942614 
##5 Station_2 1951 4.876992 
##6 Station_2 1952 5.193242 
##7 Station_3 1950 5.235278 
##8 Station_3 1951 4.955401 
##9 Station_3 1952 4.905078 

的關鍵是filter的group_by行（由id，year，並month分組）。我也用mutate代替summarise來創建​​。然後ungroup()，然後重新組合id和year來計算平均值。

順便說一句，你的測試用例不足以測試這個，因爲所有的月份都有30天。

希望這會有所幫助。