有条件地删除 R 中分组数据的行

Question

我正在尝试提取 1950 年至 2015 年间几个测量站每年的年平均降雨量。降雨数据集由每日测量值组成。

在计算每个站点的年平均值之前，我需要过滤数据，这样每个月必须有 >15 天的数据。

如何在 R 中做到这一点？

让这成为一个工作示例：

id<-rep(c("Station_1","Station_2","Station_3"),length(1),each=1080)
year<-rep(c(1950:1952),length(1:3),each=360)
month <- rep(c(1:12),length(1:9),each=30)
day <- rep(c(1:30),length(1:108))
value<-runif(3240, min=0, max=10)

df<-data.frame(cbind(id,year,month,day,value))

我尝试了类似的方法：

result<-df %>%
   group_by(id,year,month) %>%
   summarise(No._of_days=n(),mean_month=mean(value))
result<-result[!(result$No._of_days<15),]
result<-result %>%
   group_by(id,year) %>%
   summarise(No._of_months=n(),mean_year=mean(mean_month))

但是，这会导致错误的解决方案，因为我正在“从平均值中取平均值”。

感谢您的建议。

Answer 1

原始数据：在创建数据框时删除变量的默认分解。

df<-data.frame(id = id,year = year, month = month, day = day, value = value, stringsAsFactors = FALSE)

按id, year, month 对数据进行分组，并使用.N 内部变量获取子集的天数。接下来，链接结果（类似于 dplyr 中的 %>%）。现在分组id, year，然后是条件N > 15，最后计算该子集的mean降雨并将其存储在avg_rainfall中。

setDT通过引用将dataframe转换为datatable

library("data.table")
setDT(df)[, .(value, .N), by = .(id, year, month)][N > 15, .(avg_rainfall = mean(value)), by = .(id, year)]

#           id year avg_rainfall
# 1: Station_1 1950     4.852840
# 2: Station_1 1951     5.138069
# 3: Station_1 1952     4.934006
# 4: Station_2 1950     4.870335
# 5: Station_2 1951     5.179425
# 6: Station_2 1952     5.055026
# 7: Station_3 1950     4.959524
# 8: Station_3 1951     5.049996
# 9: Station_3 1952     4.927548

Answer 2

有一些东西，例如 data.frame，由于您创建它的方式，将所有内容都编码为一个因素。改用这个：

df<-data.frame(id = id,
               year = year,
               month = month,
               day = day,
               value = value)

那么（很抱歉，我不是magrittr 的粉丝）以下将起作用：

# Filter into a new data.frame
df2 <- semi_join(df, 
          filter(summarise(group_by(df, year, month), N = n()), N > 15),
          by = c(year = "year", 
                 month = "month"))

# Summarise
summarise(group_by(df2, id), 
          value = mean(value, na.rm = TRUE))

Answer 3

只关注代码，它对我有用，但有一些修改。例如。你写你想要> 15天的数据，但选择> 14，还要确保值是数字，而不是你的df。

`df<-data.frame(cbind(id,year,month,day,value))
 df$value<- as.numeric(as.character(df$value))
   result<-df %>%
   group_by(id,year,month) %>%
   summarise(No._of_days=n(),mean_month=mean(value))
result<-result[!(result$No._of_days<=15),]
result<-result %>%
  group_by(id,year) %>%
  summarise(No._of_months=n(),mean_year=mean(mean_month))`

抛开代码：从数学的角度来看，我并不清楚这种方法。为什么要排除年度聚合中少于 16 次测量的所有内容？如果您的测量结果确实是随机的，请考虑使用您在任何月份的值并估算数据集中所有缺失的天数（例如，对每个站点、年份（连续）、日历周、前后降雨量使用回归天）。

Answer 4

使用dplyr 和magrittr 的方法略有不同：

library(dplyr)
set.seed(42) # this is only so we get consistent results to compare

# then generate id, year month, day, and value using your code 
# but use what @NJBurgo used to generate df

df<-data.frame(id = id,
       year = year,
       month = month,
       day = day,
       value = value)

result <- df %>%
  group_by(id,year,month) %>%
  mutate(No._of_days=n()) %>%
  filter(No._of_days > 15) %>%  ## keep only rows with number of days greater than 15
  ungroup() %>%
  group_by(id,year) %>%
  summarize(mean_year=mean(value))

# using set.seed(42), you should get
print(result)
##         id  year mean_year
##     <fctr> <int>     <dbl>
##1 Station_1  1950  4.954538
##2 Station_1  1951  4.878709
##3 Station_1  1952  4.737996
##4 Station_2  1950  4.942614
##5 Station_2  1951  4.876992
##6 Station_2  1952  5.193242
##7 Station_3  1950  5.235278
##8 Station_3  1951  4.955401
##9 Station_3  1952  4.905078

关键是filtergroup_by 行（按id、year 和month 分组）。我还使用mutate 而不是summarise 创建No._of_days。然后ungroup() 再由id 和year 重新组合以计算均值。

顺便说一句，您的测试用例不足以对此进行测试，因为所有月份都有 30 天。

希望这会有所帮助。