tapply -创建NA？

Question

我正在尝试计算每个人的平均独特水果数量(我通常的实践数据)。这两行代码都能很好地工作：

with(df, tapply(fruit, names, FUN = function(x) length(unique(x))))->uniques
sum(uniques)/length(unique(df$names))

aggregate(df[,"fruit"], by=list(id=names), FUN = function(x) length(unique(x)))->d1
sum(d1$x)/length(unique(df$names))

我的问题是，当我在真实数据上使用代码时，它不起作用。我的真实数据是处方数据，我想要的是每个人的平均独特药物数量。使用tapply代码，它似乎创建了原始df中不存在的全新患者ids。它还返回了1000个NA值。我的id列中没有缺失值，drug_code列中也没有缺失值

with(dt3, tapply(drug_code, id, FUN = function(x) length(unique(x))))->uniques    

head(uniques)
                   uniques
Patient HAI0000001      NA
Patient HAI0000003      NA
Patient HAI0000008      NA
Patient HAI0000010      NA
Patient HAI0000014      NA
Patient HAI0000020      NA

table(dt3$id=="Patient HAI0000001")  ##checking to see if HA10000001 occurs in original df. the dim of df are 228954 rows and 5 cols

FALSE 
228954

对于聚合代码，我得到一个错误：

aggregate(dt3[,"drug_code"], by=list(id=id), FUN = function(x) length(unique(x)))->d1

Error in aggregate.data.frame(as.data.frame(x), ...) : 
  arguments must have same length

我不明白发生了什么。我的实际数据类似于我的实践数据，因为它有一个id列和一个药品/水果列。在这两个df中都没有丢失数据。我知道lapply更适合于数据帧，但我不一定需要df back。在任何情况下，tapply代码都适用于作为df的练习数据。有谁知道这里发生了什么吗？

练习DF：

 names<-as.character(c("john", "john", "john", "john", "john", "mary", "mary","mary","mary","mary", "jim", "sylvia","ted","ted","mary", "sylvia", "jim", "ted", "john", "ted"))
dates<-as.Date(c("2010-07-01",  "2010-09-01", "2010-11-01", "2010-12-01", "2011-01-01", "2010-08-12",  "2010-11-11", "2010-05-12",  "2010-12-03", "2010-07-12",  "2010-12-21", "2010-02-18",  "2010-10-29", "2010-08-13",  "2010-11-11", "2010-05-12",  "2010-04-01", "2010-05-06",  "2010-09-28", "2010-11-28" ))
fruit<-as.character(c("kiwi","apple","banana","orange","apple","orange","apple","orange", "apple", "apple", "pineapple", "peach", "nectarine", "grape", "melon", "apricot", "plum", "lychee", "watermelon", "apple" ))
df<-data.frame(names,dates,fruit) 

真实数据示例：

head(dt3)
        id         quantity   date_of_claim drug_code  index
1  Patient HAI0000560        1    2009-10-15 R03AC02 2010-04-06
2  Patient HAI0000560        1    2009-10-15 R03AK06 2010-04-06
3  Patient HAI0000560       30    2009-10-15 R03BB04 2010-04-06
4  Patient HAI0000560       30    2009-10-15 A02BC01 2010-04-06
5  Patient HAI0000560       50    2009-10-15 M02AA15 2010-04-06
6  Patient HAI0000560       30    2009-10-15 N02BE51 2010-04-06

Answer 1

在您的示例中，您要求的是一个单独的数字：(unique(fruits)) -id中某个特定向量的所有长度的平均值。这将首先显示个人的唯一计数，然后是平均函数结果：

> with(df,  tapply(fruit, names, function(x) length(unique(x)) ))
   jim   john   mary sylvia    ted 
     2      5      3      2      4 
> mean ( with(df,  tapply(fruit, names, function(x) length(unique(x)) )) )
[1] 3.2

我要指出的是，您在上面的代码中包含特定值的测试有一个尾随空格，这可能会导致问题。"string "不等于"string"。我在我的.Rprofile文件中放了一份在pkg::gdata中使用trim函数的副本，这样我就可以更容易地处理这种可能性。

Answer 2

我可能遗漏了一些东西，但这里不能使用简单的tapply吗？下面的代码行计算了每个人吃不同水果的数量

x=tapply(df$fruit,df$names,function(x){length(unique(x))})

然后mean(x)会给你所有人的平均值？