根据数据帧中的相同 ID 计算不同子集的平均值，并将结果存储在 R 中的新数据帧中

Question

我的数据框 (hh_dist_points) 具有以下结构：

hh_dist_points <- read.table(header=TRUE ,text="
  hhid VillageID hhid_1 VillageI_1    NEAR_DIST
  2739 405050508   2730  405050508 8.300739e+01
  2739 405050508   2588  405050508 9.717326e+01
  2739 405050508   2825  405050508 1.335821e+02
  2739 405050508   2823  405050508 1.631118e+02
  2739 405050508   2729  405050508 1.964680e+02
  2739 405050508   2810  405050508 2.243312e+02
  2739 405050508   2828  405050508 2.889768e+02
  2739 405050508   2725  405050502 8.808605e+02
  2739 405050508   2822  405050502 9.084585e+02
  2739 405050508   2731  405050502 9.222313e+02
  2739 405050508   2742  405050502 9.681594e+02
  2739 405050508   2741  405050502 1.026474e+03")

原始数据集包含约。 2000 个观察值（1 个观察值 = 一个村庄中的房屋 (hhid)。属于同一村庄的房屋具有相同的 VillageID（约 10 个具有相同 ID 的观察值）。 Near_Dist：2 个房屋之间的测地距离（hhid） 上面的数据框显示了我的数据集 (hhid_1) 中每个房子 (hhid) 到所有其他房子的距离（总共超过 3 个 Mio. 行）。

我的目标： 根据相同的 VillageID 计算每组观测值 (hhid) 的 Near_Dist 的平均值，并将结果存储在新的数据框中：

VillageID   dist_mean
405050508   963,257416
405050502   823,21464
.....       .........

总体思路：如果 VillageID = VillageID_1，则计算 Near_Dist 的平均值并将结果存储在新的数据框中。

我的想法是使用循环：

if(hh_dist_points$VillageID = hh_dist_points$VillageI_1) {
hh_dist_new <- mean(hh_dist$NEAR_DIST)
}
else 

但我知道这是不正确的（并且未完成），但我不知道如何完成它。 任何想法如何简单地解决这个问题？ （也许不使用循环）。 我试图搜索任何答案和解决方案，但我没有找到任何答案。

我需要数据框进行其他计算。 非常感谢四你的帮助。

Answer 1

你可以试试这样的：

 require(dplyr)

 new_data  <- hh_dist_points %>%
  filter_("VillageID == VillageI_1") %>%
  group_by(VillageID) %>%
  summarise(dist_mean=mean(NEAR_DIST, na.rm = TRUE))

Answer 2

虽然你可以在 R 基础中做到这一点，但使用 data.table 很容易做到

library(data.table)


hh_dist_points <- read.table(header=TRUE ,text="
      hhid VillageID hhid_1 VillageI_1    NEAR_DIST
      2739 405050508   2730  405050508 8.300739e+01
      2739 405050508   2588  405050508 9.717326e+01
      2739 405050508   2825  405050508 1.335821e+02
      2739 405050508   2823  405050508 1.631118e+02
      2739 405050508   2729  405050508 1.964680e+02
      2739 405050508   2810  405050508 2.243312e+02
      2739 405050508   2828  405050508 2.889768e+02
      2739 405050508   2725  405050502 8.808605e+02
      2739 405050508   2822  405050502 9.084585e+02
      2739 405050508   2731  405050502 9.222313e+02
      2739 405050508   2742  405050502 9.681594e+02
      2739 405050508   2741  405050502 1.026474e+03")


dt <- data.table(hh_dist_points)
dt[VillageID==VillageI_1,mean(NEAR_DIST,na.rm=TRUE),.(VillageID)]

#  VillageID       V1
# 1: 405050508 169.5215

Answer 3

如果我理解正确，这将起作用：

require(dplyr)
newDF<- hh_dist_points%>%
    group_by(VillageID, Village_I1)%>%
    summarize(average=mean(NEAR_DIST)) 

这将创建一个名为 newDF 的新数据框，其中包含您的 VillageID 和 VIllageI1 列，然后添加一个名为 average 的列，其中包含 NEAR_DIST 中每个 village_ID 和 Village_I1 组合的值的平均值。

那么你可以使用：

finalDF<- newDF[newDF$Village_ID == newDF$Village_I1,]

这将仅保留两列 ID 相等的行。它。这使您远离循环，并且非常快速且易于理解逻辑。

如果我误解了你，而这不是你想要的，请给我留言解释如何，我会完善答案。