R实现分组汇总的几种办法

R实现分组汇总的几种办法

分组汇总是对二维结构化数据中的某个字段（或多个字段）分组，并对组内字段进行汇总的算法，下面的例子将展示R语言实现分组汇总的几种办法。为了更加通用，例子中的分组字段是2个，汇总算法也是2种。

案例描述：

请将数据框orders按照CLIENT和SELLERID分组，并在组内对AMOUNT字段分别求和、求最大值。

说明：orders存储着订单记录，其来源可以是数据库也可以是文件，比如：

方法1：aggregate函数

代码：

result1<-aggregate(orders$AMOUNT, orders[,c("SELLERID","CLIENT")],sum)

result2<-aggregate(orders$AMOUNT, orders[,c("SELLERID","CLIENT")],max)

result<-cbind(result1,result2$x)

代码解读：

1.从名字就可以看出，aggregate是专用于分组汇总的函数，它的输入参数和计算结果都

是数据框，用法相对简单。

2.aggregate函数不能对分组后的数据进行多种汇总计算，因此要用两句代码分别实现sum

和max算法，最后再用cbind拼合。显然，上述代码在性能和易用性上存在不足。

3.aggregate函数对分组字段的顺序有一个奇怪的要求：必须反向排列。鉴于这个怪要求，

先对CLIENT分组再对SELLERID分组就必须写成：orders[,c("SELLERID","CLIENT")]。如果按照正常的思维习惯写代码，结果将是错误的。

4.不仅代码的写法违反正常的思维习惯，计算后的结果也很怪异：SELLERID字段会排在

CLIENT之前。事实上，为了使计算结果更符合业务逻辑，上述的代码还要继续加工才行。

总结：

aggregate函数勉强可用，但在性能和方便性上存在不足，代码的写法、计算结果、业

务逻辑这三者不一致。

方法2：split+lapply函数

代码：

sp<-split(orders,orders[,c("SELLERID","CLIENT")],drop=TRUE)

result1<-lapply(sp,FUN=function(x) sum(x$AMOUNT))

result2<-lapply(sp,FUN=function(x) max(x$AMOUNT))

result<-cbind(result1,result2)

部分计算结果

1.Split函数的作用是将数据框按照指定字段分组，但不做后续计算。lapply函数可以对每

组数据都执行同样的算法。Split和lapply两者结合可以实现本案例。

2.由于分组后的数据可以复用，因此本算法比aggregate性能更高。

pply函数也不支持多种统计方法，因此也要用两句代码分别实现sum和max算法，

最后再用cbind拼合。另外，本算法还要额外用到split函数，因此在易用性上没有改进，反而是更差了。

4.分组顺序仍然要违反正常的思维习惯，必须反写成：orders[,c("SELLERID","CLIENT")]。

5.计算结果需要大幅加工，很不方便。可以看到，计算结果中的第一列实际上是

“SELLERID.CLIENT”，我们需要把它拆分成两列并调换顺序才行。

总结：

本算法在性能上有所提高，但在易用性上明显不足，在代码写法、业务逻辑、计算结果上仍然存在不一致。

Lapply是apply函数族的一份子，类似的函数还有sapply和tapply。其中sapply的用法和lapply的区别只在参数上，如下：

sp<-split(orders,orders[,c("SELLERID","CLIENT")],drop=TRUE)

result1<-sapply(sp,simplify=FALSE,FUN=function(x) sum(x$AMOUNT))

result2<-sapply(sp,simplify=FALSE,FUN=function(x) max(x$AMOUNT))

result<-cbind(result1,result2)

tapply专用于数据框，按理说最适合解决本案例，但事实并非如此。tapply只对单字段分组适用，在进行双字段联合分组时其结果为二维矩阵，用户还需要进行复杂的处理才行，比如tapply(orders$AMOUNT, orders[,c("SELLERID","CLIENT")],function(x) sum(x))，这句代码的计算结果是：

第三方库函数

用R的内置函数进行分组汇总会存在各种缺点，这时可以考虑用第三方库函数，比如Reshape、stack等。这些第三方库函数的稳定性和计算效率一般不如内置函数，而且资料较少，实现本案例有一定的难度。这里就不再一一列举了。

第三方语言

本案例也可以用Python、集算器、Perl等语言来实现。和R语言一样，这几种语言都可以实现分组汇总以及结构化数据的计算，下面简单介绍集算器和Python的解决方案。

集算器

集算器只需使用groups函数就是实现本案例，语法简洁易懂，符合正常的思维习惯，代码如下：

result=orders.groups(CLIENT,SELLERID;sum(Amount),max(Amount))

Python(pandas)

如果用Python的内置函数直接实现本案例，代码将相当复杂，所以这里用第三方函数库pandas来解决。pandas先用groupby函数来进行分组运算，再用agg函数来进行汇总计算，比R语言简练，但比集算器还略有不足，代码如下：

result= orders.groupby(['CLIENT','SELLERID']).agg({'AMOUNT':[sum,max]})

pandas的计算结果、语法、业务逻辑高度一致，部分计算结果如下：