¿cómo busco columnas con el mismo nombre, agrego los valores de columna y reemplazo estas columnas con el mismo nombre por su suma? Uso de R

Question

Tengo un marco de datos donde algunas columnas consecutivas tienen el mismo nombre. Necesito buscarlos, agregar sus valores para cada fila, soltar una columna y reemplazar la otra con su suma. sin saber previamente qué patrones están duplicados, posiblemente teniendo que comparar un nombre de columna con el siguiente para ver si hay una coincidencia.

¿Alguien puede ayudar?

Gracias de antemano.

Answer 1

Algunos datos de muestra.

dfr <- data.frame(
    foo = rnorm(20), 
    bar = 1:20, 
    bar = runif(20), 
    check.names = FALSE 
) 

Método: Desplácese sobre los nombres de columna únicos; si solo hay uno de ese nombre, entonces seleccionar todas las columnas con ese nme devolverá un vector, pero si hay duplicados también será un marco de datos. Use rowSums para sumar las filas. ( Duh. EDITAR: No es tan 'duh' como se pensaba anteriormente) lapply devuelve una lista, que tenemos que reformar en un marco de datos, y finalmente corregimos los nombres. EDITAR: sapply evita la necesidad del último paso.

unique_col_names <- unique(colnames(dfr)) 
new_dfr <- sapply(unique_col_names, function(name) 
{ 
    subs <- dfr[, colnames(dfr) == name] 
    if(is.data.frame(subs)) 
    rowSums(subs) 
    else 
    subs 
}) 

Answer 2

> dfrm <- data.frame(a = 1:10, b= 1:10, cc= 1:10, dd=1:10, ee=1:10) 
> names(dfrm) <- c("a", "a", "b", "b", "b") 
> sapply(unique(names(dfrm)[duplicated(names(dfrm))]), 
     function(x) Reduce("+", dfrm[ , grep(x, names(dfrm))])) 
     a b 
[1,] 2 3 
[2,] 4 6 
[3,] 6 9 
[4,] 8 12 
[5,] 10 15 
[6,] 12 18 
[7,] 14 21 
[8,] 16 24 
[9,] 18 27 
[10,] 20 30 

EDIT 2: Uso de rowSums permite la simplificación de la primera argumentto sapply simplemente unique(names(dfrm)) a costa de tener que recordar incluir gota = FALSO en "[":

sapply(unique(names(dfrm)), 
     function(x) rowSums(dfrm[ , grep(x, names(dfrm)), drop=FALSE])) 

Para hacer frente con NA's:

sapply(unique(names(dfrm)), 
     function(x) apply(dfrm[grep(x, names(dfrm))], 1, 
       function(y) if (all(is.na(y))) {NA} else { sum(y, na.rm=TRUE) } 
     )    ) 

(Editar nota: se dirigió Tommy contra-ejemplo al poner unique alrededor la construcción de los nombres (.) [.]. El código erróneo era:

sapply(names(dfrm)[unique(duplicated(names(dfrm)))], 
    function(x) Reduce("+", dfrm[ , grep(x, names(dfrm))])) 

Answer 3

Una forma es identificar duplcates usando (sorpresa) la función duplicated, y luego bucle a través de ellos para calcular las sumas. He aquí un ejemplo:

dat.dup <- data.frame(x=1:10, x=1:10, x=1:10, y=1:10, y=1:10, z=1:10, check.names=FALSE) 
dups <- unique(names(dat.dup)[duplicated(names(dat.dup))]) 
for (i in dups) { 
dat.dup[[i]] <- rowSums(dat.dup[names(dat.dup) == i]) 
} 
dat <- dat.dup[!duplicated(names(dat.dup))] 

Answer 4

Aquí está mi un trazador de líneas

# transpose data frame, sum by group = rowname, transpose back. 
t(rowsum(t(dfrm), group = rownames(t(dfrm))))