Como somar uma variável por grupo

Eu tenho um quadro de dados com duas colunas. A primeira coluna contém categorias como "Primeiro", "Segundo", "Terceiro" e a segunda coluna possui números que representam o número de vezes que vi os grupos específicos de "Categoria".

Por exemplo:

Category     Frequency
First        10
First        15
First        5
Second       2
Third        14
Third        20
Second       3

Quero classificar os dados por categoria e somar todas as frequências:

Category     Frequency
First        30
Second       5
Third        34

Como eu faria isso em R?

Usando aggregate:

aggregate(x$Frequency, by=list(Category=x$Category), FUN=sum)
  Category  x
1    First 30
2   Second  5
3    Third 34

No exemplo acima, várias dimensões podem ser especificadas no list. Várias métricas agregadas do mesmo tipo de dados podem ser incorporadas via cbind:

aggregate(cbind(x$Frequency, x$Metric2, x$Metric3) ...

(incorporando @thelatemail comment), também aggregatepossui uma interface de fórmula

aggregate(Frequency ~ Category, x, sum)

Ou, se você quiser agregar várias colunas, poderá usar a .notação (funciona também para uma coluna)

aggregate(. ~ Category, x, sum)

ou tapply:

tapply(x$Frequency, x$Category, FUN=sum)
 First Second  Third 
    30      5     34 

Usando estes dados:

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                      "Third", "Third", "Second")), 
                    Frequency=c(10,15,5,2,14,20,3))

Você também pode usar o pacote dplyr para esse fim:

library(dplyr)
x %>% 
  group_by(Category) %>% 
  summarise(Frequency = sum(Frequency))

#Source: local data frame [3 x 2]
#
#  Category Frequency
#1    First        30
#2   Second         5
#3    Third        34

Ou, para várias colunas de resumo (também funciona com uma coluna):

x %>% 
  group_by(Category) %>% 
  summarise_all(funs(sum))

Aqui estão mais alguns exemplos de como resumir dados por grupo usando funções dplyr usando o conjunto de dados interno mtcars:

# several summary columns with arbitrary names
mtcars %>% 
  group_by(cyl, gear) %>%                            # multiple group columns
  summarise(max_hp = max(hp), mean_mpg = mean(mpg))  # multiple summary columns

# summarise all columns except grouping columns using "sum" 
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(sum)

# summarise all columns except grouping columns using "sum" and "mean"
mtcars %>% 
  group_by(cyl) %>% 
  summarise_all(funs(sum, mean))

# multiple grouping columns
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_all(funs(sum, mean))

# summarise specific variables, not all
mtcars %>% 
  group_by(cyl, gear) %>% 
  summarise_at(vars(qsec, mpg, wt), funs(sum, mean))

# summarise specific variables (numeric columns except grouping columns)
mtcars %>% 
  group_by(gear) %>% 
  summarise_if(is.numeric, funs(mean))

Para mais informações, incluindo o %>%operador, consulte a introdução ao dplyr .

A resposta fornecida pelo rcs funciona e é simples. No entanto, se você estiver lidando com conjuntos de dados maiores e precisar de um aumento de desempenho, há uma alternativa mais rápida:

library(data.table)
data = data.table(Category=c("First","First","First","Second","Third", "Third", "Second"), 
                  Frequency=c(10,15,5,2,14,20,3))
data[, sum(Frequency), by = Category]
#    Category V1
# 1:    First 30
# 2:   Second  5
# 3:    Third 34
system.time(data[, sum(Frequency), by = Category] )
# user    system   elapsed 
# 0.008     0.001     0.009 

Vamos comparar isso com a mesma coisa usando data.frame e acima:

data = data.frame(Category=c("First","First","First","Second","Third", "Third", "Second"),
                  Frequency=c(10,15,5,2,14,20,3))
system.time(aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum))
# user    system   elapsed 
# 0.008     0.000     0.015 

E se você deseja manter a coluna, esta é a sintaxe:

data[,list(Frequency=sum(Frequency)),by=Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

A diferença se tornará mais visível com conjuntos de dados maiores, como o código abaixo demonstra:

data = data.table(Category=rep(c("First", "Second", "Third"), 100000),
                  Frequency=rnorm(100000))
system.time( data[,sum(Frequency),by=Category] )
# user    system   elapsed 
# 0.055     0.004     0.059 
data = data.frame(Category=rep(c("First", "Second", "Third"), 100000), 
                  Frequency=rnorm(100000))
system.time( aggregate(data$Frequency, by=list(Category=data$Category), FUN=sum) )
# user    system   elapsed 
# 0.287     0.010     0.296 

Para várias agregações, você pode combinar lapplye da .SDseguinte maneira

data[, lapply(.SD, sum), by = Category]
#    Category Frequency
# 1:    First        30
# 2:   Second         5
# 3:    Third        34

Você também pode usar a função by () :

x2 <- by(x$Frequency, x$Category, sum)
do.call(rbind,as.list(x2))

Esses outros pacotes (plyr, remodelar) têm o benefício de retornar um data.frame, mas vale a pena se familiarizar com by (), pois é uma função base.

Vários anos depois, apenas para adicionar outra solução R básica simples que não está presente aqui por algum motivo - xtabs

xtabs(Frequency ~ Category, df)
# Category
# First Second  Third 
#    30      5     34 

Ou se você quer uma data.framevolta

as.data.frame(xtabs(Frequency ~ Category, df))
#   Category Freq
# 1    First   30
# 2   Second    5
# 3    Third   34

library(plyr)
ddply(tbl, .(Category), summarise, sum = sum(Frequency))

Se xfor um quadro de dados com seus dados, o seguinte fará o que você deseja:

require(reshape)
recast(x, Category ~ ., fun.aggregate=sum)

Embora eu tenha me convertido recentemente dplyrpara a maioria desses tipos de operações, o sqldfpacote ainda é muito bom (e IMHO mais legível) para algumas coisas.

Aqui está um exemplo de como essa pergunta pode ser respondida com sqldf

x <- data.frame(Category=factor(c("First", "First", "First", "Second",
                                  "Third", "Third", "Second")), 
                Frequency=c(10,15,5,2,14,20,3))

sqldf("select 
          Category
          ,sum(Frequency) as Frequency 
       from x 
       group by 
          Category")

##   Category Frequency
## 1    First        30
## 2   Second         5
## 3    Third        34

Apenas para adicionar uma terceira opção:

require(doBy)
summaryBy(Frequency~Category, data=yourdataframe, FUN=sum)

EDIT: esta é uma resposta muito antiga. Agora eu recomendaria o uso de group_bye summarisede dplyr, como na resposta do @docendo.

Acho avemuito útil (e eficiente) quando você precisa aplicar diferentes funções de agregação em diferentes colunas (e você deve / deseja manter a base R):

por exemplo

Dada esta entrada:

DF <-                
data.frame(Categ1=factor(c('A','A','B','B','A','B','A')),
           Categ2=factor(c('X','Y','X','X','X','Y','Y')),
           Samples=c(1,2,4,3,5,6,7),
           Freq=c(10,30,45,55,80,65,50))

> DF
  Categ1 Categ2 Samples Freq
1      A      X       1   10
2      A      Y       2   30
3      B      X       4   45
4      B      X       3   55
5      A      X       5   80
6      B      Y       6   65
7      A      Y       7   50

queremos agrupar por Categ1e Categ2computar a soma Samplese a média de Freq.
Aqui está uma solução possível usando ave:

# create a copy of DF (only the grouping columns)
DF2 <- DF[,c('Categ1','Categ2')]

# add sum of Samples by Categ1,Categ2 to DF2 
# (ave repeats the sum of the group for each row in the same group)
DF2$GroupTotSamples <- ave(DF$Samples,DF2,FUN=sum)

# add mean of Freq by Categ1,Categ2 to DF2 
# (ave repeats the mean of the group for each row in the same group)
DF2$GroupAvgFreq <- ave(DF$Freq,DF2,FUN=mean)

# remove the duplicates (keep only one row for each group)
DF2 <- DF2[!duplicated(DF2),]

Resultado:

> DF2
  Categ1 Categ2 GroupTotSamples GroupAvgFreq
1      A      X               6           45
2      A      Y               9           40
3      B      X               7           50
6      B      Y               6           65

O recentemente adicionado dplyr::tally()agora torna isso mais fácil do que nunca:

tally(x, Category)

Category     n
First        30
Second       5
Third        34

Você pode usar a função group.sumdo pacote Rfast .

Category <- Rfast::as_integer(Category,result.sort=FALSE) # convert character to numeric. R's as.numeric produce NAs.
result <- Rfast::group.sum(Frequency,Category)
names(result) <- Rfast::Sort(unique(Category)
# 30 5 34

O Rfast possui muitas funções de grupo egroup.sumé uma delas.

usando em castvez de recast(note 'Frequency'agora 'value')

df  <- data.frame(Category = c("First","First","First","Second","Third","Third","Second")
                  , value = c(10,15,5,2,14,20,3))

install.packages("reshape")

result<-cast(df, Category ~ . ,fun.aggregate=sum)

para obter:

Category (all)
First     30
Second    5
Third     34

Outra solução que retorna somas por grupos em uma matriz ou quadro de dados e é curta e rápida:

rowsum(x$Frequency, x$Category)

Desde então dplyr 1.0.0, a across()função poderia ser usada:

df %>%
 group_by(Category) %>%
 summarise(across(Frequency, sum))

  Category Frequency
  <chr>        <int>
1 First           30
2 Second           5
3 Third           34

Se estiver interessado em várias variáveis:

df %>%
 group_by(Category) %>%
 summarise(across(c(Frequency, Frequency2), sum))

  Category Frequency Frequency2
  <chr>        <int>      <int>
1 First           30         55
2 Second           5         29
3 Third           34        190

E a seleção de variáveis ​​usando ajudantes selecionados:

df %>%
 group_by(Category) %>%
 summarise(across(starts_with("Freq"), sum))

  Category Frequency Frequency2 Frequency3
  <chr>        <int>      <int>      <dbl>
1 First           30         55        110
2 Second           5         29         58
3 Third           34        190        380

Dados de amostra:

df <- read.table(text = "Category Frequency Frequency2 Frequency3
                 1    First        10         10         20
                 2    First        15         30         60
                 3    First         5         15         30
                 4   Second         2          8         16
                 5    Third        14         70        140
                 6    Third        20        120        240
                 7   Second         3         21         42",
                 header = TRUE,
                 stringsAsFactors = FALSE)