R删除基于列的重复值，并用重复行的平均值替换其他列值

Question

我正在处理一个data.frame，它有6个感兴趣的环境变量，这些变量按位置进行地理参考。我遇到的问题是，有些位置是重复的，但所有的环境变量都是唯一的测量值。

不幸的是，如果有重复的位置，我想用这些数据进行的建模将不起作用。但我不希望通过只保留一个重复行来任意丢弃数据。

因此，我正在寻找一种方法，为每组重复的6个变量中的每一个取平均值，然后将该平均值归因于每个变量和位置，从而保存来自多次测量的信息。

我尝试过几种方法，但似乎都做不好！

我正在使用的数据可以在这里下载：
(https://www.dropbox.com/sh/xnwp3zz5abnilyo/AABRVJZ0kTmWk0T9Fcp4-bVSa?dl=0/)

我就是这样尝试的：

library(rgdal)
library(sp)
library(maptools)
#load data 
hs1<- readOGR (".", "Hollicombe_S1_L1-5_A1.2")
#remove columns we're not interested in
hs1<- subset(hs1, select = -c(1:16, 23:24)

所以我从hs1开始——一个有552个obs和6个变量的SPDF。。。

#check for duplicate location (present if lengths differ)
length(hs1@coords) 
[1] 1104  
length(unique(hs1@coords))
[1] 730
#duplicates confirmed
hs1.d <- hs1[duplicated(hs1@coords),] # creates new SPDF with only duplicated locations (?)
hs1.u <- hs1[!duplicated(hs1@coords),] # creates new SPDF with only unique locations
# coerce duplicated locations SPDF to an ordinary data frame 
hs1.md<- as.data.frame(hs1.d)  
# combine the X&Y into a single "location"
hs1.md <- within(hs1.md,  
Location <- paste(coords.x1, coords.x2, sep = ",")) 
# aggregate duplicate locations and calculate a mean value for each
means_by_location<-  aggregate (cbind(BioArea,BioVolume,MeanBioHei,MaxBioheig,PerArIn, PerVolIn)~Location,  hs1.md, mean)
#split location back to X&Y
lat_long <- strsplit(means_by_location$Location, ",") 
means_by_location$coords.x1 <- sapply(lat_long, function(x) x[1]) #adds X data back
means_by_location$coords.x2 <- sapply(lat_long, function(x) x[2])#adds Y data back
means_by_location$coords.x1 <- as.numeric (means_by_location$coords.x1) #converts to numeric
means_by_location$coords.x2 <- as.numeric (means_by_location$coords.x2)#converts to numeric
# add spatial information back in to create SPDF
coordinates(means_by_location) = ~coords.x1+coords.x2 # adds the locations 
proj4string(means_by_location) = CRS(proj4string(hs1)) # sets the CRS
# hs1.md as SPDF containing single rows for previously duplicated locations 
# with mean values for each variable
hs1.md <- subset(means_by_location, select = -(1))  
#merge hs1.md and hs1.u to create new SPDF without duplicates
hs1 <- spRbind (hs1.u, hs1.md)

因此，hs1现在是一个具有543个obs的SPDF(即，已删除9个观测值)。

但仍有重复的位置，唯一位置的数量保持不变：

length(hs1@coords) # total number of locations

[1] 1086

length(unique(hs1@coords)) #number of unique locations

[1] 730

我怀疑我在某个地方错误地将独特的观测结果与重复的观测结果区分开来，但我对R的了解不足以让我发现这一点。有人看到我哪里错了吗？或者有人知道我能做到这一点的另一种方法吗？

Answer 1

根据我的评论，这个问题的答案有点棘手，因为什么是重复可能取决于准确性。

在加载你的塑形锉时，我看到每个尺寸都是一条线，有起点、终点和中心。中心似乎与形状文件中给出的坐标相匹配。

假设中心实际上是坐标，我会在sf包中使用新的dplyr动词：

library("tidyverse")
library("sf")
hs1 = read_sf(".", "Hollicombe_S1_L1-5_A1")
nrow(hs1)
# 552
nrow(hs1[duplicated(hs1$geometry), ])
# 187

因此，我们有552个病例，187个重复(即365个位置)。要获得重复位置的平均值，请使用group_by()和summarise():

hs1 = hs1 %>% 
group_by(CentrePos1, CentrePos_) %>% 
summarise(
BioArea    = mean(BioArea),
BioVolume  = mean(BioVolume),
MeanBioHei = mean(MeanBioHei),
MaxBioheig = mean(MaxBioheig),
PerArIn    = mean(PerArIn),
PerVolIn   = mean(PerVolIn)
)
hs1
# Simple feature collection with 365 features and 8 fields
# geometry type:  POINT
# dimension:      XY
# bbox:           xmin: -3.548833 ymin: 50.44483 xmax: -3.542333 ymax: 50.45167
# epsg (SRID):    4326
# proj4string:    +proj=longlat +datum=WGS84 +no_defs
# A tibble: 365 x 9
# Groups:   CentrePos1 [59]
#    CentrePos1 CentrePos_  BioArea BioVolume MeanBioHei MaxBioheig PerArIn PerVolIn          geometry
#         <dbl>      <dbl>    <dbl>     <dbl>      <dbl>      <dbl>   <dbl>    <dbl>  <simple_feature>
#  1  -3.548833   50.44500  0.00000   0.00000      0.192      0.216  -1.000   -1.000 <POINT (-3.54...>
#  2  -3.548833   50.44533  2.27280   0.41470      0.182      0.264  91.410    2.810 <POINT (-3.54...>
#  3  -3.548744   50.44500  6.75470   1.21780      0.180      0.216  74.890    2.210 <POINT (-3.54...>
#  4  -3.548667   50.44506  5.02900   1.14660      0.228      0.228 100.000    3.720 <POINT (-3.54...>
#  5  -3.548667   50.44517  8.24895   1.86555      0.225      0.330  96.550    3.530 <POINT (-3.54...>
#  6  -3.548667   50.44532 10.31200   2.04180      0.198      0.204 100.000    3.210 <POINT (-3.54...>
#  7  -3.548667   50.44536 18.61980   3.67040      0.197      0.276 100.000    3.280 <POINT (-3.54...>
#  8  -3.548667   50.44550  3.31670   0.73700      0.222      0.300  96.150    3.550 <POINT (-3.54...>
#  9  -3.548500   50.44533  6.22370   1.74670      0.269      0.372  81.555    3.470 <POINT (-3.54...>
# 10  -3.548500   50.44550  6.00740   1.00090      0.168      0.234  80.905    2.215 <POINT (-3.54...>
# ... with 355 more rows

你可以看到有365行，没有重复：

any(duplicated(hs1$geometry))
# FALSE

新列具有基于我们之前执行的分组的平均值。如果观察位置是唯一的，则返回其原始值(我想，它的原始值除以1)。

我应该指出，sf正在取代R中的sp、rgdal和rgeos，但如果您确实想继续使用这些包，您可以使用as_Spatial():将sf对象转换为spatialPointsDataFrame

hs1_data = st_set_geometry(hs1, NULL)
hs1 = as_Spatial(hs1$geometry)
hs1 = SpatialPointsDataFrame(hs1, hs1_data)