Desde que percebi que (as muito excelentes) respostas deste post não têm by
e aggregate
explicações. Aqui está a minha contribuição.
DE
A by
função, conforme declarado na documentação, pode ser um "wrapper" para tapply
. O poder de by
surge quando queremos calcular uma tarefa que tapply
não pode lidar. Um exemplo é este código:
ct <- tapply(iris$Sepal.Width , iris$Species , summary )
cb <- by(iris$Sepal.Width , iris$Species , summary )
cb
iris$Species: setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
--------------------------------------------------------------
iris$Species: versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
--------------------------------------------------------------
iris$Species: virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
ct
$setosa
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.300 3.200 3.400 3.428 3.675 4.400
$versicolor
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 2.525 2.800 2.770 3.000 3.400
$virginica
Min. 1st Qu. Median Mean 3rd Qu. Max.
2.200 2.800 3.000 2.974 3.175 3.800
Se imprimirmos esses dois objetos, ct
e cb
"essencialmente" tivermos os mesmos resultados e as únicas diferenças existirão em como elas são mostradas e nos diferentes class
atributos, respectivamente by
para cb
e array
para ct
.
Como eu disse, o poder de by
surge quando não podemos usar tapply
; o código a seguir é um exemplo:
tapply(iris, iris$Species, summary )
Error in tapply(iris, iris$Species, summary) :
arguments must have same length
R diz que os argumentos devem ter os mesmos comprimentos, diga "queremos calcular a summary
variável de todas ao iris
longo do fator Species
": mas R simplesmente não pode fazer isso porque não sabe como lidar.
Com a by
função R, despacha um método específico para a data frame
classe e deixa a summary
função funcionar mesmo que o comprimento do primeiro argumento (e o tipo também) seja diferente.
bywork <- by(iris, iris$Species, summary )
bywork
iris$Species: setosa
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.300 Min. :2.300 Min. :1.000 Min. :0.100 setosa :50
1st Qu.:4.800 1st Qu.:3.200 1st Qu.:1.400 1st Qu.:0.200 versicolor: 0
Median :5.000 Median :3.400 Median :1.500 Median :0.200 virginica : 0
Mean :5.006 Mean :3.428 Mean :1.462 Mean :0.246
3rd Qu.:5.200 3rd Qu.:3.675 3rd Qu.:1.575 3rd Qu.:0.300
Max. :5.800 Max. :4.400 Max. :1.900 Max. :0.600
--------------------------------------------------------------
iris$Species: versicolor
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.000 Min. :3.00 Min. :1.000 setosa : 0
1st Qu.:5.600 1st Qu.:2.525 1st Qu.:4.00 1st Qu.:1.200 versicolor:50
Median :5.900 Median :2.800 Median :4.35 Median :1.300 virginica : 0
Mean :5.936 Mean :2.770 Mean :4.26 Mean :1.326
3rd Qu.:6.300 3rd Qu.:3.000 3rd Qu.:4.60 3rd Qu.:1.500
Max. :7.000 Max. :3.400 Max. :5.10 Max. :1.800
--------------------------------------------------------------
iris$Species: virginica
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.900 Min. :2.200 Min. :4.500 Min. :1.400 setosa : 0
1st Qu.:6.225 1st Qu.:2.800 1st Qu.:5.100 1st Qu.:1.800 versicolor: 0
Median :6.500 Median :3.000 Median :5.550 Median :2.000 virginica :50
Mean :6.588 Mean :2.974 Mean :5.552 Mean :2.026
3rd Qu.:6.900 3rd Qu.:3.175 3rd Qu.:5.875 3rd Qu.:2.300
Max. :7.900 Max. :3.800 Max. :6.900 Max. :2.500
funciona de fato e o resultado é muito surpreendente. É um objeto de classe by
que, ao longo Species
(digamos, para cada um deles), calcula o valor summary
de cada variável.
Observe que, se o primeiro argumento for a data frame
, a função despachada deverá ter um método para essa classe de objetos. Por exemplo, se usarmos esse código com a mean
função, teremos esse código que não faz sentido algum:
by(iris, iris$Species, mean)
iris$Species: setosa
[1] NA
-------------------------------------------
iris$Species: versicolor
[1] NA
-------------------------------------------
iris$Species: virginica
[1] NA
Warning messages:
1: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
2: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
3: In mean.default(data[x, , drop = FALSE], ...) :
argument is not numeric or logical: returning NA
AGREGAR
aggregate
pode ser visto como outro modo de uso diferente tapply
se o usarmos dessa maneira.
at <- tapply(iris$Sepal.Length , iris$Species , mean)
ag <- aggregate(iris$Sepal.Length , list(iris$Species), mean)
at
setosa versicolor virginica
5.006 5.936 6.588
ag
Group.1 x
1 setosa 5.006
2 versicolor 5.936
3 virginica 6.588
As duas diferenças imediatas são que o segundo argumento de aggregate
deve ser uma lista enquanto tapply
pode (não obrigatório) ser uma lista e que a saída de aggregate
é um quadro de dados enquanto o de tapply
é um array
.
O poder de aggregate
é que ele pode lidar facilmente com subconjuntos de dados com subset
argumento e que também possui métodos para ts
objetos formula
.
Esses elementos aggregate
facilitam o trabalho com isso tapply
em algumas situações. Aqui estão alguns exemplos (disponíveis na documentação):
ag <- aggregate(len ~ ., data = ToothGrowth, mean)
ag
supp dose len
1 OJ 0.5 13.23
2 VC 0.5 7.98
3 OJ 1.0 22.70
4 VC 1.0 16.77
5 OJ 2.0 26.06
6 VC 2.0 26.14
Podemos conseguir o mesmo com, tapply
mas a sintaxe é um pouco mais difícil e a saída (em algumas circunstâncias) menos legível:
att <- tapply(ToothGrowth$len, list(ToothGrowth$dose, ToothGrowth$supp), mean)
att
OJ VC
0.5 13.23 7.98
1 22.70 16.77
2 26.06 26.14
Há outros momentos em que não podemos usar by
ou tapply
e temos que usar aggregate
.
ag1 <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)
ag1
Month Ozone Temp
1 5 23.61538 66.73077
2 6 29.44444 78.22222
3 7 59.11538 83.88462
4 8 59.96154 83.96154
5 9 31.44828 76.89655
Não podemos obter o resultado anterior com tapply
uma chamada, mas temos que calcular a média longitudinal Month
de cada elemento e combiná-los (observe também que precisamos chamar a na.rm = TRUE
, porque os formula
métodos da aggregate
função têm por padrão a na.action = na.omit
):
ta1 <- tapply(airquality$Ozone, airquality$Month, mean, na.rm = TRUE)
ta2 <- tapply(airquality$Temp, airquality$Month, mean, na.rm = TRUE)
cbind(ta1, ta2)
ta1 ta2
5 23.61538 65.54839
6 29.44444 79.10000
7 59.11538 83.90323
8 59.96154 83.96774
9 31.44828 76.90000
embora with by
não possamos conseguir isso, na verdade a seguinte chamada de função retorna um erro (mas provavelmente está relacionada à função fornecida mean
):
by(airquality[c("Ozone", "Temp")], airquality$Month, mean, na.rm = TRUE)
Outras vezes, os resultados são os mesmos e as diferenças são apenas no objeto da classe (e depois como é mostrado / impresso e não apenas - por exemplo, como subconjunto):
byagg <- by(airquality[c("Ozone", "Temp")], airquality$Month, summary)
aggagg <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, summary)
O código anterior alcança o mesmo objetivo e resultados; em alguns momentos, qual ferramenta usar é apenas uma questão de gostos e necessidades pessoais; os dois objetos anteriores têm necessidades muito diferentes em termos de subconjunto.
*apply()
eby
. O plyr (pelo menos para mim) parece muito mais consistente, porque eu sempre sei exatamente qual formato de dados ele espera e exatamente o que ele vai cuspir. Isso me poupa muito aborrecimento.