0

我正在尝试学习如何使用 R“reshape2”包中的一些功能，特别是dcast. 我正在尝试创建一个表格，显示两个软件版本的总和（所有文件的一类数据的总和除以一个“案例”中的最大“RepNum”）以及两者之间的百分比变化。

这是我的数据集的样子（示例数据）：

| FileName | Version |  Category | Value | TestNum | RepNum |  Case |
|:--------:|:-------:|:---------:|:-----:|:-------:|:------:|:-----:|
| File1    | 1.0.18  | Category1 |  32.5 |      11 |      1 | Case1 |
| File1    | 1.0.18  | Category1 |  31.5 |      11 |      2 | Case1 |
| File1    | 1.0.18  | Category2 |  32.3 |      11 |      1 | Case1 |
| File1    | 1.0.18  | Category2 |  31.4 |      11 |      2 | Case1 |
| File2    | 1.0.18  | Category1 |  34.6 |      11 |      1 | Case1 |
| File2    | 1.0.18  | Category1 |  34.7 |      11 |      2 | Case1 |
| File2    | 1.0.18  | Category2 |  34.5 |      11 |      1 | Case1 |
| File2    | 1.0.18  | Category2 |  34.6 |      11 |      2 | Case1 |
| File1    | 1.0.21  | Category1 |  31.7 |      12 |      1 | Case1 |
| File1    | 1.0.21  | Category1 |  32.0 |      12 |      2 | Case1 |
| File1    | 1.0.21  | Category2 |  31.5 |      12 |      1 | Case1 |
| File1    | 1.0.21  | Category2 |  32.4 |      12 |      2 | Case1 |
| File2    | 1.0.21  | Category1 |  31.5 |      12 |      1 | Case1 |
| File2    | 1.0.21  | Category1 |  34.6 |      12 |      2 | Case1 |
| File2    | 1.0.21  | Category2 |  31.7 |      12 |      1 | Case1 |
| File2    | 1.0.21  | Category2 |  32.4 |      12 |      2 | Case1 |
| File1    | 1.0.18  | Category1 |  32.0 |      11 |      1 | Case2 |
| File1    | 1.0.18  | Category1 |  34.6 |      11 |      2 | Case2 |
| File1    | 1.0.18  | Category2 |  34.6 |      11 |      1 | Case2 |
| File1    | 1.0.18  | Category2 |  34.7 |      11 |      2 | Case2 |
| File2    | 1.0.18  | Category1 |  32.3 |      11 |      1 | Case2 |
| File2    | 1.0.18  | Category1 |  34.7 |      11 |      2 | Case2 |
| File2    | 1.0.18  | Category2 |  31.4 |      11 |      1 | Case2 |
| File2    | 1.0.18  | Category2 |  32.3 |      11 |      2 | Case2 |
| File1    | 1.0.21  | Category1 |  32.4 |      12 |      1 | Case2 |
| File1    | 1.0.21  | Category1 |  34.7 |      12 |      2 | Case2 |
| File1    | 1.0.21  | Category2 |  31.5 |      12 |      1 | Case2 |
| File1    | 1.0.21  | Category2 |  34.6 |      12 |      2 | Case2 |
| File2    | 1.0.21  | Category1 |  31.7 |      12 |      1 | Case2 |
| File2    | 1.0.21  | Category1 |  31.4 |      12 |      2 | Case2 |
| File2    | 1.0.21  | Category2 |  34.5 |      12 |      1 | Case2 |
| File2    | 1.0.21  | Category2 |  31.5 |      12 |      2 | Case2 |

实际数据集有6 个唯一文件，两个最前面的“TestNums & Versions”，2 个唯一类别和4 个唯一案例。

借助互联网的魔力，我能够根据不同的需求拼凑出一张看起来像这样的表格（但代码应该相似）：

| FileName |  Category | 1.0.1 | 1.0.2 | PercentChange |
|:--------:|:---------:|:-----:|:-----:|:-------------:|
| File1    | Category1 | 18.19 | 18.18 | -0.0045808520 |
| File1    | Category2 | 18.05 | 18.06 | -0.0005075721 |
| File2    | Category1 | 19.27 | 18.83 | -0.0224913494 |
| File2    | Category2 | 19.13 | 18.69 | -0.0231780146 |
| File3    | Category1 | 26.02 | 26.91 |  0.0342729019 |
| File3    | Category2 | 25.88 | 26.75 |  0.0335598775 |
| File4    | Category1 | 31.28 | 28.70 | -0.0823371327 |
| File4    | Category2 | 31.13 | 28.56 | -0.0826670833 |
| File5    | Category1 | 31.77 | 25.45 |  -01999731215 |
| File5    | Category2 | 31.62 | 25.30 | -0.0117180458 |
| File6    | Category1 | 46.23 | 45.68 | -0.0119578545 |
| File6    | Category2 | 46.08 | 45.53 | -0.0045808520 |

这是制作该表的代码：

vLatest 和 vPrevious 是具有最新和第二个最新版本号的变量

deviations<-subset(df, df$Version %in% c(vLatest, vPrevious))
deviationsCast<-dcast(df[,1:4], FileName + Category  ~ Version, value.var = "Value", fun.aggregate=mean)
deviationsCast$PercentChange<-(deviationsCast[,dim(deviationsCast)[2]]-deviationsCast[,dim(deviationsCast)[2]-1])/deviationsCast[,dim(deviationsCast)[2]-1]

我真的只是希望有人能帮助我理解 dcast 的语法。最初生成的偏差铸造是我对一切如何协同工作最模糊的地方。而不是为文件获取这个，我真的想得到它，以便它是每个类别的所有文件的总和，用于一个独特的“案例”，并显示它们之间的百分比变化。

|  Case  |   Measure  | 1.0.18 | 1.0.21 | PercentChange |
|:------:|:----------:|:------:|:------:|:-------------:|
| Case 1 | Category 1 |    110 |    100 |         9.09% |
| Case 2 | Category 1 |     95 |     89 |         9.32% |
| Case 3 | Category 1 |     92 |     84 |         8.70% |
| Case 4 | Category 1 |     83 |     75 |         9.64% |
| Case 1 | Category 2 |    112 |    101 |         9.82% |
| Case 2 | Category 2 |     96 |     89 |         7.29% |
| Case 3 | Category 2 |     94 |     86 |         8.51% |
| Case 4 | Category 2 |     83 |     76 |         8.43% |

注意：四舍五入和百分号是加号，但非常首选加号

这些数字不反映正确完成的实际数学，只是我放在那里的随机数字作为示例。我希望能充分解释我正在尝试做的数学。

用于测试的示例数据集

FileName<-rep(c("File1","File2","File3","File4","File5","File6"),times=8,each=6)
Version<-rep(c("1.0.18","1.0.21"),times=4,each=36)
Category<-rep(c("Category1","Category2"),times=48,each=3)
Value<-rpois(n=288,lambda=32)
TestNum<-rep(11:12,times=4,each=36)
RepNum<-rep(1:3,times=96)
Case<-rep(c("Case1","Case2","Case3","Case4"),each=72)
df<-data.frame(FileName,Version,Category,Value,TestNum,RepNum,Case)

值得注意的是，这里的df本质上 deviations 是上面代码中的数据框（带有vLatest和vPrevious）

编辑：

MrFlick 的答案几乎是完美的，但是当我尝试在我的实际数据集中实现它时，我遇到了问题。问题是由于使用vLatestandvPrevious作为我的版本，而不是仅仅编写字符串。这是我用来获取这两个变量的代码

vLatest<-unique(df[df[,"TestNum"] == max(df$TestNum), "Version"])
vPrevious<-unique(df[df[,"TestNum"] == sort(unique(df$TestNum), T)[2], "Version"])

当我尝试这个时：

pc <- function(a,b) (b-a)/a
summary <- df %>% 
  group_by(Case, Category, Version) %>% 
  summarize(Value=mean(Value)) %>% 
  spread(Version, Value) %>% 
  mutate(Change=scales::percent(pc(vPrevious,vLatest)))

我收到了这个错误：Error: non-numeric argument to binary operator

第二次编辑：

我尝试为两个 TestNum 值创建新变量（因为它们可以是数值并且不需要因子）。

maxTestNum<-max(df$TestNum)
prevTestNum<-sort(unique(df$TestNum), T)[2]

（我不使用“ prevTestNum<-maxTestNum-1”的原因是因为有时数据结果中会省略版本）

但是，当我将这两个变量放入代码中时，“更改”列的值都是相同的。

4

1 回答 1

0

使用 OP 提供的示例数据集，并通过分析编辑，我相信即使使用 OP 的生产数据集，以下代码也可能产生所需的结果。

我的理解是，OP 有一个包含许多测试结果的 data.frame，但他只想显示两个最新版本的相对变化。

dcast()OP 已在使用该功能时寻求帮助。此功能可从两个包中获得，reshape2并且data.table. 这里data.table版本用于速度和简洁的代码。此外，还使用了forcats和formattable包中的函数。

library(data.table)   # CRAN version 1.10.4 used
# coerce to data.table object
DT <- data.table(df)
# reorder factor levels of Version according to TestNum
DT[, Version := forcats::fct_reorder(Version, TestNum)]
# determine the two most recent Versions
# trick: pick 1st and 2nd entry of the _reversed_ levels
vLatest <- DT[, rev(levels(Version))[1L]]
vPrevious <- DT[, rev(levels(Version))[2L]]
# filter DT, reshape from long to wide format, 
# compute change for the selected columns using get(),
# use formattable package for pretty printing
summary <- dcast(
  DT[Version %in% c(vLatest, vPrevious)], 
  Case + Category ~ Version, mean, value.var = "Value")[
    , PercentChange := formattable::percent(get(vLatest) / get(vPrevious) - 1.0)]
summary

    Case  Category   1.0.18   1.0.21 PercentChange
1: Case1 Category1 33.00000 31.94444        -3.20%
2: Case1 Category2 31.83333 31.83333         0.00%
3: Case2 Category1 33.05556 33.61111         1.68%
4: Case2 Category2 30.77778 32.94444         7.04%
5: Case3 Category1 33.16667 31.94444        -3.69%
6: Case3 Category2 33.44444 33.72222         0.83%
7: Case4 Category1 30.83333 34.66667        12.43%
8: Case4 Category2 32.27778 33.44444         3.61%

解释

排序Version

OP 已经认识到，简单地按Version字母顺序排序并不能确保正确的顺序。这可以通过

sort(paste0("0.0.", 0:12))

 [1] "0.0.0"  "0.0.1"  "0.0.10" "0.0.11" "0.0.12" "0.0.2"  "0.0.3"  "0.0.4"  "0.0.5" 
[10] "0.0.6"  "0.0.7"  "0.0.8"  "0.0.9"

哪里0.0.10来的0.0.2。

这是至关重要的，因为data.frame()默认情况下将字符变量转换为因子。

幸运的是，TestNum与Version. 因此，TestNum用于在包中的函数的Version帮助下重新排序因子水平。fct_reorder()forcats

这也确保 dcast()以适当的顺序创建新列。

通过变量访问列

vLatest / vPrevious在表达式中使用会返回错误消息

vLatest/vPrevious 中的错误：二进制运算符的非数字参数

这是意料之中的，因为vLatests和vPrevious包含字符值"1.0.21"和"1.0.18"，分别是不能分开的。这里的意思是获取名称由vLatestsandvPrevious和 divide给出的列的值。这是通过使用get().

格式化为百分比

虽然scales::percent()返回一个字符向量，formattable::percent()但确实返回一个具有百分比表示的数字向量，即，我们仍然能够进行数字计算。

数据

正如OP给出的：

FileName <- rep(c("File1", "File2", "File3", "File4", "File5", "File6"),
                times = 8, each = 6)
Version <- rep(c("1.0.18", "1.0.21"), times = 4, each = 36)
Category <- rep(c("Category1", "Category2"), times = 48, each = 3)
Value <- rpois(n = 288, lambda = 32)
TestNum <- rep(11:12, times = 4, each = 36)
RepNum <- rep(1:3, times = 96)
Case <- rep(c("Case1", "Case2", "Case3", "Case4"), each = 72)
df <- data.frame(FileName, Version, Category, Value, TestNum, RepNum, Case)
于 2017-07-18T08:27:10.090 回答