Comportamiento impar con mediana()?

Question

Estoy notando un comportamiento incoherente al aplicar la función median() a marcos de datos. "Comportamiento incoherente" generalmente significa que no entiendo algo, por lo que espero que alguien esté dispuesto a aclarar esto por mí.

I se dan cuenta de que algunas funciones (por ejemplo, min(), max()) convierten la trama de datos en un vector y devuelven el valor correspondiente para todo el df mientras mean() y sd() devuelven un valor para cada columna. Si bien es un poco confuso, esas diferencias en el comportamiento no causan muchos problemas ya que la mayoría del código se rompería si se devuelve un escalar en lugar de un vector. Sin embargo, median() parece ser inconsistente. Por ejemplo:

dat <- data.frame(x=1:100, y=2:101) 
median(dat) 

Devuelve un vector: [1] 50.5 51.5

Pero, a veces se rompe:

dat2 <- data.frame(x=1:100, y=rnorm(100)) 
median(dat2) 

Devuelve: [1] NA NA Warning messages: 1: In mean.default(X[[1L]], ...) : argument is not numeric or logical: returning NA 2: In mean.default(X[[2L]], ...) : argument is not numeric or logical: returning NA

Sin embargo, median(dat2$x) y median(dat2$y) tanto el rendimiento como el resultado correcto.

también incluirá las siguientes:

dat3 <- data.frame(x=1:100, y=1:100) 
dat4 <- data.frame(x=1:100, y=100:199) 

En lo anterior, median(dat3) vuelve [1] 50.5 NA mientras median(dat4) devuelve [1] 50.5 149.5! Esperaría que ninguno de los dos funcionara. Entonces, claramente no entiendo cómo funciona la función median().

Además, funciones como sd, mean(), min() y max() todo ceden sus esperados (si aparentemente inconsistente) resultados en todos los casos anteriores.

Sé que puedo usar algo como sapply(dat2, median) para obtener el resultado necesario, pero me pregunto por qué los dioses R decidieron implementar estas funciones estadísticas básicas de una manera que, al menos en apariencia, parece inconsistente. Sospecho que yo, y probablemente otros neófitos, probablemente no estoy entendiendo algún concepto fundamental, y agradecería su visión.

Answer 1

Este fenómeno exacto se debatió recientemente en el subproceso median and data frames en R-devel. El consenso parece ser que el método mean.data.frame debe estar en desuso y los usuarios deben confiar en sapply.

Answer 2

median no tiene un método para objetos de clase data.frame, a diferencia de mean. Use el paquete plyr y la función colwise para lograr el resultado deseado. O use la familia de funciones *apply.

> sapply(mtcars, median)                          
    mpg  cyl disp  hp drat  wt qsec  vs  am gear            
19.200 6.000 196.300 123.000 3.695 3.325 17.710 0.000 0.000 4.000            
    carb                              
    2.000                              
> colwise(median)(mtcars)                          
    mpg cyl disp hp drat wt qsec vs am gear carb                  
1 19.2 6 196.3 123 3.695 3.325 17.71 0 0 4 2 

Answer 3

La forma más fácil es con el paquete miscTools

> library(miscTools) 
> dat3 <- data.frame(x=-50:50, y=(-50:50)^2) 
> colMedians(dat3) 
    x y 
    0 625 

que es correcta, a diferencia de

> median(dat3) 
[1] 0 850 

El paquete matrixStats también tiene una función colMedians, pero no para tramas de datos.