如何查詢 R 資料框中行值的比例?
行值的比例可以在我們用資料框每行中的所有值之和除以每個行值的情況下計算出來。因此,比例的總和等於 1。這可以透過將資料框除以行和來完成,為此我們可以使用以下語法 −
語法
data_frame_name/rowSums(data_frame_name)
考慮以下資料框 −
示例
set.seed(111) x1<-rpois(20,2) x2<-rpois(20,5) x3<-round(runif(20,2,5),0) x4<-round(runif(20,2,4),0) df1<-data.frame(x1,x2,x3,x4) df1
輸出
x1 x2 x3 x4 1 2 4 4 2 2 3 4 3 3 3 1 4 4 2 4 2 4 5 3 5 1 9 4 4 6 2 4 3 2 7 0 6 3 2 8 2 4 5 3 9 2 7 4 2 10 0 5 4 3 11 2 2 4 4 12 2 5 4 3 13 0 5 2 3 14 0 5 3 2 15 1 4 5 3 16 2 6 4 3 17 1 2 4 3 18 5 7 3 4 19 1 6 2 2 20 2 7 4 4
查詢資料框 df1 的每一行比例 −
示例
df1<-df1/rowSums(df1) df1
輸出
x1 x2 x3 x4 1 0.16666667 0.3333333 0.3333333 0.1666667 2 0.23076923 0.3076923 0.2307692 0.2307692 3 0.09090909 0.3636364 0.3636364 0.1818182 4 0.14285714 0.2857143 0.3571429 0.2142857 5 0.05555556 0.5000000 0.2222222 0.2222222 6 0.18181818 0.3636364 0.2727273 0.1818182 7 0.00000000 0.5454545 0.2727273 0.1818182 8 0.14285714 0.2857143 0.3571429 0.2142857 9 0.13333333 0.4666667 0.2666667 0.1333333 10 0.00000000 0.4166667 0.3333333 0.2500000 11 0.16666667 0.1666667 0.3333333 0.3333333 12 0.14285714 0.3571429 0.2857143 0.2142857 13 0.00000000 0.5000000 0.2000000 0.3000000 14 0.00000000 0.5000000 0.3000000 0.2000000 15 0.07692308 0.3076923 0.3846154 0.2307692 16 0.13333333 0.4000000 0.2666667 0.2000000 17 0.10000000 0.2000000 0.4000000 0.3000000 18 0.26315789 0.3684211 0.1578947 0.2105263 19 0.09090909 0.5454545 0.1818182 0.1818182 20 0.11764706 0.4117647 0.2352941 0.2352941
我們來看另一個示例 −
示例
y1<-sample(0:5,20,replace=TRUE) y2<-sample(0:9,20,replace=TRUE) y3<-sample(1:10,20,replace=TRUE) y4<-sample(1:50,20) y5<-sample(10:100,20) df2<-data.frame(y1,y2,y3,y4,y5) df2
輸出
y1 y2 y3 y4 y5 1 4 5 3 48 87 2 4 6 10 41 76 3 2 5 7 26 36 4 2 1 5 44 82 5 4 8 2 4 80 6 1 1 3 35 12 7 5 5 9 10 84 8 3 3 6 1 93 9 1 3 8 9 15 10 0 4 4 19 83 11 4 5 4 24 65 12 0 7 10 3 49 13 1 5 6 27 64 14 1 5 2 47 10 15 1 6 3 45 56 16 4 0 2 33 28 17 2 9 3 32 96 18 0 3 6 5 52 19 0 7 5 15 61 20 2 6 3 31 98
查詢資料框 df2 的每一行比例 −
示例
df2<-df2/rowSums(df2) df2
輸出
y1 y2 y3 y4 y5 1 0.027210884 0.034013605 0.02040816 0.326530612 0.5918367 2 0.029197080 0.043795620 0.07299270 0.299270073 0.5547445 3 0.026315789 0.065789474 0.09210526 0.342105263 0.4736842 4 0.014925373 0.007462687 0.03731343 0.328358209 0.6119403 5 0.040816327 0.081632653 0.02040816 0.040816327 0.8163265 6 0.019230769 0.019230769 0.05769231 0.673076923 0.2307692 7 0.044247788 0.044247788 0.07964602 0.088495575 0.7433628 8 0.028301887 0.028301887 0.05660377 0.009433962 0.8773585 9 0.027777778 0.083333333 0.22222222 0.250000000 0.4166667 10 0.000000000 0.036363636 0.03636364 0.172727273 0.7545455 11 0.039215686 0.049019608 0.03921569 0.235294118 0.6372549 12 0.000000000 0.101449275 0.14492754 0.043478261 0.7101449 13 0.009708738 0.048543689 0.05825243 0.262135922 0.6213592 14 0.015384615 0.076923077 0.03076923 0.723076923 0.1538462 15 0.009009009 0.054054054 0.02702703 0.405405405 0.5045045 16 0.059701493 0.000000000 0.02985075 0.492537313 0.4179104 17 0.014084507 0.063380282 0.02112676 0.225352113 0.6760563 18 0.000000000 0.045454545 0.09090909 0.075757576 0.7878788 19 0.000000000 0.079545455 0.05681818 0.170454545 0.6931818 20 0.014285714 0.042857143 0.02142857 0.221428571 0.7000000
廣告
資料結構
網路
RDBMS
作業系統
Java
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP