我正在使用与此类似的数据：
cat value n
1 100 18
2 0 19
3 -100 15
4 100 13
5 0 17
6 -100 18
在实际数据中，有许多cat和value可以是-100到100之间的任何数字（无NA）。
我想要做的是根据value
n的平均值
因此，举例来说，因为sum(n)=100我要做的就是让n尽可能接近33并计算value的平均值。所以对于第一个tercile，18不是33，所以我需要从cat = 2中取15个值。所以第一个tercile的平均值应该是(100*18+0*15)/(18+15)。第二个tercile将是来自n = 2的剩余cat s，然后到达33：(0*4+-100*15+100*13+0*1)/(4+15+13+1)所需的数量。类似于最后一个tercile。
我开始写这篇文章，但结果却出现了许多令人讨厌的for循环和if语句。我希望你能比我更容易地解决这个问题。提前致谢！
答案 0 :(得分：2)
data.table的解决方案：
setDT(df)[rep(1:.N,n)
][,indx:=c(rep("a",33),rep("b",33),rep("c",34))
][,.(mean_val_indx=mean(value)),by=indx]
这给出了：
indx mean_val_indx
1: a 54.545455
2: b -6.060606
3: c -52.941176
对于数据的三个部分，value的含义是什么。
在中间步骤中分解：
1 ：根据n
setDT(df)[rep(1:.N,n)]
这给了（缩短）：
cat value n
1: 1 100 18
2: 1 100 18
....
17: 1 100 18
18: 1 100 18
19: 2 0 19
20: 2 0 19
....
36: 2 0 19
37: 2 0 19
38: 3 -100 15
....
99: 6 -100 18
100: 6 -100 18
2 ：使用[,indx:=c(rep("a",33),rep("b",33),rep("c",34))]
setDT(df)[rep(1:.N,n)
][,indx:=c(rep("a",33),rep("b",33),rep("c",34))]
这给出了：
> dt
cat value n indx
1: 1 100 18 a
2: 1 100 18 a
....
17: 1 100 18 a
18: 1 100 18 a
19: 2 0 19 a
20: 2 0 19 a
....
32: 2 0 19 a
33: 2 0 19 a
34: 2 0 19 b
35: 2 0 19 b
....
99: 6 -100 18 c
100: 6 -100 18 c
3 ：value与indx总结[,.(mean_val_indx=mean(value)),by=indx]
答案 1 :(得分：1)
您可以尝试这样的事情，data是您的示例数据框：
longData<-unlist(apply(data[,c("value","n")],1,function(x){
rep(x["value"],x["n"])
}))
aggregate(longData,list(cut(seq_along(longData),breaks=3,right=FALSE)),mean)
longData将是一个长度为100的向量，使用你的例子，18次重复-100次，19次重复0次等。
cut中的aggregate会将longData划分为三组，并计算每组的平均值。
答案 2 :(得分：0)
如果数据已经很长时间重复，那么＆＃34; n＆＃34;也许不需要。 以下解决方案不会这样做。而且，总和的1/3 ＆＃34; n＆＃34; -values没有四舍五入到最接近的整数。 ＆＃34; I＆＃34;是行数的向量，其中terciles结束。既然有可能 几个terciles在同一行结束，那些行号被复制。 结果是向量＆＃34; k＆＃34;。 对于每个索引＆＃34; j＆＃34; ＆＃34;数据$ value＆＃34; *＆＃34;数据$ n＆＃34;的累积总和直到＆＃34; k [j]＆＃34; 封面＆＃34; ms [k [j]]＆＃34; terciles，所以＆＃34; ms [j] -j＆＃34;必须减去terciles 将积累的总和计算到＆＃34; j＆＃34; tercile。
m <- 3
sn <- sum(data$n)
ms <- m * cumsum(data$n) / sn
d <- diff(c(0,floor(ms)))
i <- which(d>0)
k <- rep(i,d[i])
vn <- data$value * data$n
sums <- cumsum(vn)[k] - (ms[k]-(1:m))*data$value[k]*sn/m
means <- m*diff(c(0,sums))/sn
terciles的手段是：
> means
[1] 54 -6 -54
在这个例子中＆＃34;我＆＃34;等于＆＃34; k＆＃34;。但如果用十分位数代替terciles， 即＆＃34; m＆＃34;不是3而是10，它们是截然不同的：
> m
[1] 10
> i
[1] 1 2 3 4 5 6
> k
[1] 1 2 2 3 3 4 5 5 6 6
> means
[1] 100 80 0 -30 -100 60 50 0 -80 -100
我比较了4个答案的速度，使用了8行的小例子：
> ##### "longData"-Answer #####
>
> system.time( for ( i in 1:1000 ) { A1 <- f1(data) } )
User System verstrichen
3.48 0.00 3.49
> ##### "sapply"-Answer #####
>
> system.time( for ( i in 1:1000 ) { A2 <- f2(data) } )
User System verstrichen
1.00 0.00 0.99
> ##### "data.table"Answer #####
>
> system.time( for ( i in 1:1000 ) { A3 <- f3(data) } )
User System verstrichen
4.73 0.00 4.79
> ##### this Answer #####
>
> system.time( for ( i in 1:1000 ) { A4 <- f4(data) } )
User System verstrichen
0.43 0.00 0.44
＆＃34; sapply＆＃34; -Answer甚至是假的：
> A1
Group.1 x
1 [0.901,34) 54.545455
2 [34,67) -6.060606
3 [67,100) -52.941176
> A2
(0,33] (33,67] (67,100]
-100.00000 0.00000 93.93939
> A3
indx mean_val_indx
1: a 54.545455
2: b -6.060606
3: c -52.941176
> A4
[1] 54 -6 -54
>
答案 3 :(得分：-1)
这与NicE基本相同，虽然可能作为组装代表和切割操作的不同方式有用：
sapply(split( sort(unlist( mapply(rep, res$value, res$n) )),
cut(seq(sum(res$n)), breaks=c(0,33,67,100) )),
mean)
(0,33] (33,67] (67,100]
-100.00000 0.00000 93.93939