Frecuencias / proporciones relativas con dplyr

Supongamos que quiero calcular la proporción de diferentes valores dentro de cada grupo. Por ejemplo, usando los mtcarsdatos, ¿cómo calculo la frecuencia relativa del número de engranajes por am (automático / manual) de una vez dplyr?

library(dplyr)
data(mtcars)
mtcars <- tbl_df(mtcars)

# count frequency
mtcars %>%
  group_by(am, gear) %>%
  summarise(n = n())

# am gear  n
#  0    3 15 
#  0    4  4 
#  1    4  8  
#  1    5  5 

Lo que me gustaría lograr:

am gear  n rel.freq
 0    3 15      0.7894737
 0    4  4      0.2105263
 1    4  8      0.6153846
 1    5  5      0.3846154

Prueba esto:

mtcars %>%
  group_by(am, gear) %>%
  summarise(n = n()) %>%
  mutate(freq = n / sum(n))

#   am gear  n      freq
# 1  0    3 15 0.7894737
# 2  0    4  4 0.2105263
# 3  1    4  8 0.6153846
# 4  1    5  5 0.3846154

De la viñeta dplyr :

Cuando agrupa por múltiples variables, cada resumen despega un nivel de la agrupación. Eso facilita la acumulación progresiva de un conjunto de datos.

Por lo tanto, después de , se despega summarisela última variable de agrupación especificada en group_by'engranaje'. En el mutatepaso, los datos se agrupan por las variables de agrupación restantes, aquí 'am'. Puede verificar la agrupación en cada paso con groups.

El resultado del pelado depende, por supuesto, del orden de las variables de agrupación en la group_byllamada. Es posible que desee hacer un posterior group_by(am), para que su código sea más explícito.

Para redondear y prettificar, consulte la buena respuesta de @Tyler Rinker.

Puede usar la count()función, que tiene un comportamiento diferente según la versión de dplyr:

• dplyr 0.7.1: devuelve una tabla desagrupada : debe agrupar nuevamente poram

• dplyr <0.7.1: devuelve una tabla agrupada , por lo que no es necesario agrupar nuevamente, aunque es posible que desee realizar ungroup()manipulaciones posteriores

dplyr 0.7.1

mtcars %>%
  count(am, gear) %>%
  group_by(am) %>%
  mutate(freq = n / sum(n))

dplyr <0.7.1

mtcars %>%
  count(am, gear) %>%
  mutate(freq = n / sum(n))

Esto da como resultado una tabla agrupada , si desea usarla para un análisis posterior, puede ser útil eliminar el atributo agrupado conungroup() .

@ Henrik's es mejor para la usabilidad, ya que esto hará que el carácter de la columna ya no sea numérico, sino que coincida con lo que solicitó ...

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = paste0(round(100 * n/sum(n), 0), "%"))

##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%

EDITAR Porque Spacedman lo pidió :-)

as.rel_freq <- function(x, rel_freq_col = "rel.freq", ...) {
    class(x) <- c("rel_freq", class(x))
    attributes(x)[["rel_freq_col"]] <- rel_freq_col
    x
}

print.rel_freq <- function(x, ...) {
    freq_col <- attributes(x)[["rel_freq_col"]]
    x[[freq_col]] <- paste0(round(100 * x[[freq_col]], 0), "%")   
    class(x) <- class(x)[!class(x)%in% "rel_freq"]
    print(x)
}

mtcars %>%
  group_by (am, gear) %>%
  summarise (n=n()) %>%
  mutate(rel.freq = n/sum(n)) %>%
  as.rel_freq()

## Source: local data frame [4 x 4]
## Groups: am
## 
##   am gear  n rel.freq
## 1  0    3 15      79%
## 2  0    4  4      21%
## 3  1    4  8      62%
## 4  1    5  5      38%

Aquí hay una función general que implementa la solución de Henrik en dplyr0.7.1.

freq_table <- function(x, 
                       group_var, 
                       prop_var) {
  group_var <- enquo(group_var)
  prop_var  <- enquo(prop_var)
  x %>% 
    group_by(!!group_var, !!prop_var) %>% 
    summarise(n = n()) %>% 
    mutate(freq = n /sum(n)) %>% 
    ungroup
}

Escribí una pequeña función para esta tarea repetitiva:

count_pct <- function(df) {
  return(
    df %>%
      tally %>% 
      mutate(n_pct = 100*n/sum(n))
  )
}

Entonces puedo usarlo como:

mtcars %>% 
  group_by(cyl) %>% 
  count_pct

Vuelve:

# A tibble: 3 x 3
    cyl     n n_pct
  <dbl> <int> <dbl>
1     4    11  34.4
2     6     7  21.9
3     8    14  43.8

A pesar de las muchas respuestas, un enfoque más que se utiliza prop.tableen combinación con dplyro data.table.

library("dplyr")
mtcars %>%
    group_by(am, gear) %>%
    summarise(n = n()) %>%
    mutate(freq = prop.table(n))

library("data.table")
cars_dt <- as.data.table(mtcars)
cars_dt[, .(n = .N), keyby = .(am, gear)][, freq := prop.table(n) , by = "am"]

Esta respuesta se basa en la respuesta de Matifou.

Primero lo modifiqué para asegurarme de que no se devuelve la columna de frecuencia como una columna de notación científica mediante la opción scipen.

Luego multiplico la respuesta por 100 para obtener un porcentaje en lugar de un decimal para que la columna de frecuencia sea más fácil de leer como porcentaje.

getOption("scipen") 
options("scipen"=10) 
mtcars %>%
count(am, gear) %>% 
mutate(freq = (n / sum(n)) * 100)