计算子组加权比例的有效方法？答案

【问题标题】：Efficient way to compute subgroup weighted proportions?计算子组加权比例的有效方法？
【发布时间】：2021-01-05 14:20:40
【问题描述】：

目标：以更有效的方式（例如函数）计算多个子组加权比例。需要对所有组合中的两个变量（var1，var2）进行子集化，并计算结果的加权比例（var3）。在 R 中工作（但 python 解决方案也很受欢迎）。

代表：

# Reprex
library(dplyr)
library(weights)

df <- data.frame(
  var1 = c(1, 1, 1, 2, 1, 2, 1, 2, 2, 1),
  var2 = c(1, 2, 2, 3, 3, 3, 2, 1, 2, 2),
  var3 = c("A", "B", "A", "A", "A", "B", "A", "B", "A", "A"),
  weight = rnorm(10)
)

# sub1 
sub <- filter(df, var1 == 1 & var2 == 3)
round(weights::wpct(sub$var3, weight = sub$weight), digits = 2)

# sub2
sub <- filter(df, var1 == 2)
round(weights::wpct(sub$var3, weight = sub$weight), digits = 2)

# sub3
sub <- filter(df, var2 == 2)
round(weights::wpct(sub$var3, weight = sub$weight), digits = 2)

# Looking for more efficient way to continue subgroups (with more vars and combinations)

【问题讨论】：

标签： python r dplyr

【解决方案1】：

使用data.tables cube 函数非常简单。此函数可用于计算多个变量内的所有分组以及整体分组的函数。然而在data.table 中我们有一个小问题，因为它只需要一个值作为输出，而函数wpct 为x 中的每个组提供一个值（在我们的例子中是var3）。幸运的是，函数将其命名为输出，因此将结果封装为 result = list(weights::wpct(var3, weights)) 将允许我们将其转换为可读格式。

set.seed(1)
library(data.table)
library(weights)

df <- data.frame(
  var1 = c(1, 1, 1, 2, 1, 2, 1, 2, 2, 1),
  var2 = c(1, 2, 2, 3, 3, 3, 2, 1, 2, 2),
  var3 = c("A", "B", "A", "A", "A", "B", "A", "B", "A", "A"),
  weight = rnorm(10)
)
setDT(df)
# Note that I use list(weights::wpct(var3, weight)), 
#  because I want to keep the result in *one* column.
res <- cube(df, 
            j = c(list(result = list(weights::wpct(var3, weight)))), 
            by = c('var1', 'var2'))
res
## Output
    var1 var2                  result
 1:    1    1                       1
 2:    1    2    1.3907765,-0.3907765
 3:    2    3      2.058925,-1.058925
 4:    1    3                       1
 5:    2    1                       1
 6:    2    2                       1
 7:    1   NA    1.2394648,-0.2394648
 8:    2   NA  1.03932354,-0.03932354
 9:   NA    1     -5.599793, 6.599793
10:   NA    2   -0.7351568, 1.7351568
11:   NA    3    1.7429624,-0.7429624
12:   NA   NA   0.92322427,0.07677573

分组显示在“var1”和“var2”中，同时这也将计算所有整体组（例如var1 = 1 和var2 = *any* 和var1, var2 = *any*）。然而，正如我上面提到的，这个结果几乎不可读。然而，我们可以通过使用 tidyr 中的 unnest_wider 将 result 列分解为更好的格式来解决此问题

library(dplyr)
library(tidyr)
res %>% unnest_wider(result)
# A tibble: 12 x 4
    var1  var2      A       B
   <dbl> <dbl>  <dbl>   <dbl>
 1     1     1  1     NA     
 2     1     2  1.39  -0.391 
 3     2     3  2.06  -1.06  
 4     1     3  1     NA     
 5     2     1 NA      1     
 6     2     2  1     NA     
 7     1    NA  1.24  -0.239 
 8     2    NA  1.04  -0.0393
 9    NA     1 -5.60   6.60  
10    NA     2 -0.735  1.74  
11    NA     3  1.74  -0.743 
12    NA    NA  0.923  0.0768

现在我们有了一个可读的格式，其中前两列表示分组，其余列表示变量var3 的每个值的结果。请注意，如果var3 在var1 + var2 的特定分组中没有值，则返回NA。

【讨论】：

【解决方案2】：

你可以有这样的东西：

multi_filter <- function(data, ...)
{
  filter_vars <- rlang::enquos(...)
  all_vals <- lapply(filter_vars, function(x) {
    data %>% dplyr::summarize(vals = unique(!!x)) %>% dplyr::pull(vals)
    })
  val_df <- expand.grid(all_vals)
  only_first <- lapply(seq(nrow(val_df)), function(i) {
    filter(data, !!(filter_vars[[1]]) == val_df[i, 1])
  })
  only_second <- lapply(seq(nrow(val_df)), function(i) {
    filter(data, !!(filter_vars[[2]]) == val_df[i, 2])
  })
  both <- lapply(seq(nrow(val_df)), function(i) {
    filter(data, !!(filter_vars[[1]]) == val_df[i, 1] &
             !!(filter_vars[[2]]) == val_df[i, 2])
  })
  
  lapply(c(only_first, only_second, both), function(sub) {
    round(weights::wpct(sub$var3, weight = sub$weight), digits = 2)
  })
}

产生每个组合，如下所示：

multi_filter(df, var1, var2)
#> [[1]]
#>    A    B 
#> 0.47 0.53 
#> 
#> [[2]]
#>    A    B 
#> 0.35 0.65 
#> 
#> [[3]]
#>    A    B 
#> 0.47 0.53 
#> 
#> [[4]]
#>    A    B 
#> 0.35 0.65 
#> 
#> [[5]]
#>    A    B 
#> 0.47 0.53 
#> 
#> [[6]]
#>    A    B 
#> 0.35 0.65 
#> 
#> [[7]]
#>     A     B 
#>  1.16 -0.16 
#> 
#> [[8]]
#>     A     B 
#>  1.16 -0.16 
#> 
#> [[9]]
#>    A    B 
#> 0.38 0.62 
#> 
#> [[10]]
#>    A    B 
#> 0.38 0.62 
#> 
#> [[11]]
#>    A    B 
#> 0.73 0.27 
#> 
#> [[12]]
#>    A    B 
#> 0.73 0.27 
#> 
#> [[13]]
#> A 
#> 1 
#> 
#> [[14]]
#> B 
#> 1 
#> 
#> [[15]]
#>    A    B 
#> 0.39 0.61 
#> 
#> [[16]]
#> A 
#> 1 
#> 
#> [[17]]
#> A 
#> 1 
#> 
#> [[18]]
#>   A   B 
#> 0.4 0.6

【讨论】：