我目前正在阅读《数据科学家的实用统计学》,并在R中跟着他们演示一些代码。有一段代码我特别难以理解其逻辑,希望有人能帮助我。有关的代码是创建一个有1000行的数据框,其中每个观测值是从数据框中随机抽取的5个收入值的平均值。loans_income
. 然而,我对代码的逻辑感到困惑,因为它是相当复杂的,有一个 tapply()
函数和嵌套 rep()
语句。
创建相关数据框的代码如下。
samp_mean_5 <- data.frame(income = tapply(sample(loans_income$income,1000*5),
rep(1:1000,rep(5,1000)),
FUN = mean),
type='mean_of_5')
特别是,我对嵌套的... rep()
的声明和 1000*5
的部分 sample()
函数。如果能帮助理解代码的逻辑,我们将非常感激。
作为参考,原始数据集 loans_income
只是有一列50000个收入值。
你有50000个贷款_收入的单一向量。让我们把你的代码分解一下。
tapply(sample(loans_income$income,1000*5),
rep(1:1000,rep(5,1000)),
FUN = mean)
我会用10代替1000,用随机数代替收入,这样更容易解释。我还设置了 set.seed(1)
所以结果可以重现。
sample(loans_income$income,1000*5)
我们从你的向量中随机抽取50个收入,不进行替换。它们被(暂时)放入一个长度为50的向量中,所以输出结果看起来像这样。> sample(runif(50000),10*5)
[1] 0.73283101 0.60329970 0.29871173 0.12637654 0.48434952 0.01058067 0.32337850
[8] 0.46873561 0.72334215 0.88515494 0.44036341 0.81386225 0.38118213 0.80978822
[15] 0.38291273 0.79795343 0.23622492 0.21318431 0.59325586 0.78340477 0.25623138
[22] 0.64621658 0.80041393 0.68511759 0.21880083 0.77455662 0.05307712 0.60320912
[29] 0.13191926 0.20816298 0.71600799 0.70328349 0.44408218 0.32696205 0.67845445
[36] 0.64438336 0.13241312 0.86589561 0.01109727 0.52627095 0.39207860 0.54643661
[43] 0.57137320 0.52743012 0.96631114 0.47151170 0.84099503 0.16511902 0.07546454
[50] 0.85970500
rep(1:1000,rep(5,1000))
现在我们要创建一个长度为50的索引向量。> rep(1:10,rep(5,10))
[1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6
[29] 6 6 7 7 7 7 7 8 8 8 8 8 9 9 9 9 9 10 10 10 10 10
这些索引将步骤1中的样本 "分组"。所以基本上这个向量告诉我们 R
你的 "样本向量 "的前5个条目属于一起(索引1),接下来的5个条目属于一起(索引2),以此类推。
FUN = mean
只要应用 mean
-数据上的功能。
tapply
所以 tapply
将采样数据(sample
-部分),并将它们按第二个参数(即 rep()
-部分),并适用 mean
-功能在每个组上。
如果您熟悉 data.framework 和 dplyr
包,看看这个(只显示前10行)。
set.seed(1)
df <- data.frame(income=sample(runif(5000),10*5), index=rep(1:10,rep(5,10)))
income index
1 0.42585569 1
2 0.16931091 1
3 0.48127444 1
4 0.68357403 1
5 0.99374923 1
6 0.53227877 2
7 0.07109499 2
8 0.20754511 2
9 0.35839481 2
10 0.95615917 2
我在随机数上附加了一个索引(你的) income
). 现在我们计算每组的平均值。
df %>%
group_by(index) %>%
summarise(mean=mean(income))
我们可以得到
# A tibble: 10 x 2
index mean
<int> <dbl>
1 1 0.551
2 2 0.425
3 3 0.827
4 4 0.391
5 5 0.590
6 6 0.373
7 7 0.514
8 8 0.451
9 9 0.566
10 10 0.435
比较一下
set.seed(1)
tapply(sample(runif(5000),10*5),
rep(1:10,rep(5,10)),
mean)
其结果基本相同。
1 2 3 4 5 6 7 8 9
0.5507529 0.4250946 0.8273149 0.3905850 0.5902823 0.3730092 0.5143829 0.4512932 0.5658460
10
0.4352546