R语言数据转换(split-apply-combin…

• split – apply – combine模式

大型数据集通常是高度结构化的，结构使得我们可以按不同的方式分组，有时候我们需要关注单个组的数据片断，有时需要聚合不同组内的信息，并相互比较。
因此对数据的转换，可以采用split – apply – combine模式来进行处理：
split：把要处理的数据分割成小片断；
apply：对每个小片断独立进行操作；
combine：把片断重新组合。

•  分划：split函数

在R当中，split这个步骤是由split( ),subset( )等等函数完成的。 
下面主要介绍split这个函数。
 函数split（）可以按照分组因子，把向量，矩阵和数据框进行适当的分组。它的返回值是一个列表，代表分组变量每个水平的观测。这个列表可以使用sapply（）,lappy（）进行处理（apply – combine步骤），得到问题的最终结果。
 split( )的基本用法是：group <- split(X,f)
 其中X 是待分组的向量，矩阵或数据框。f是分组因子。

##例1：对向量分组
> library(MASS)
#使用Cars93数据集，利用其中的Origin变量（两个水平），对Price变量分组
> g<-split(Cars93$Price,Cars93$Origin)

#分组结果是个列表：
$USA
 [1] 15.7 20.8 23.7 26.3 34.7 40.1 13.4 11.4 15.1 15.9 16.3 16.6 18.8 38.0
[15] 18.4 15.8 29.5 9.2 11.3 13.3 19.0 15.6 25.8 12.2 19.3 7.4 10.1 11.3
[29] 15.9 14.0 19.9 20.2 20.9 34.3 36.1 14.1 14.9 13.5 16.3 19.5 20.7 14.4
[43] 9.0 11.1 17.7 18.5 24.4 11.1
$`non-USA`
 [1] 15.9 33.9 29.1 37.7 30.0 8.4 12.5 19.8 12.1 17.5 8.0 10.0 10.0 13.9
[15] 47.9 28.0 35.2 8.3 11.6 16.5 19.1 32.5 31.9 61.9 10.3 26.1 11.8 15.7
[29] 19.1 21.5 28.7 8.4 10.9 19.5 8.6 9.8 18.4 18.2 22.7 9.1 19.7 20.0
[43] 23.3 22.7 26.7

#计算组的长度和组内均值
> sapply(g,length)
    USA non-USA
     48 45
> sapply(g,mean)
     USA non-USA
18.57292 20.50889

#用lapply也可以，返回值是列表
> lapply(g,mean)
$USA
[1] 18.57292
$`non-USA`
[1] 20.50889


#例2：对矩阵分组（按列）
> m<-cbind(x=1:10,y=11:20)
> split(m,col(m))
$`1`
 [1] 1 2 3 4 5 6 7 8 9 10
$`2`
 [1] 11 12 13 14 15 16 17 18 19 20


##例3：对数据框进行分组
#还是利用Cars93,它就是个数据框
g<-split(Cars93,Cars93$Origin)
#分组结果
> summary(g)
        Length Class Mode
USA 27 data.frame list
non-USA 27 data.frame list

split还有一个逆函数，unsplit,可以让分组完好如初。
在base包里和split功能接近的函数有cut(对属性数据分划)，strsplit(对字符串分划)以及
subset（对向量，矩阵或数据框按给定条件取子集）等。

 

原文：http://site.douban.com/182577/widget/notes/10567181/note/245088040/