首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何在R中` `dplyr::across`的右侧应用两个或更多函数来查找weighted.means和variances?

在R中,可以使用dplyr::across函数在数据框的多个列上应用两个或更多函数来查找加权平均值和方差。

dplyr::across函数允许我们在一次操作中对多个列进行相同的转换。为了在across的右侧应用两个或更多函数,我们可以使用list函数将这些函数组合在一起。

下面是一个示例代码,演示如何使用across函数在数据框的多个列上应用加权平均值和方差函数:

代码语言:txt
复制
library(dplyr)

# 创建一个示例数据框
df <- data.frame(
  x = c(1, 2, 3),
  y = c(4, 5, 6),
  weight = c(0.1, 0.2, 0.3)
)

# 使用across函数应用加权平均值和方差函数
result <- df %>%
  mutate(
    across(
      c(x, y),
      list(
        weighted.mean = ~weighted.mean(., w = weight),
        variance = ~var(., w = weight)
      )
    )
  )

# 打印结果
print(result)

在上面的示例中,我们首先加载了dplyr包,并创建了一个示例数据框df,其中包含了两列xy,以及一个权重列weight

然后,我们使用mutate函数和across函数来对xy列应用加权平均值和方差函数。在across函数中,我们指定了要应用函数的列(c(x, y)),并使用list函数将两个函数(weighted.meanvariance)组合在一起。

最后,我们将结果保存在result变量中,并打印出来。

这样,我们就可以在R中使用dplyr::across函数的右侧应用两个或更多函数来查找加权平均值和方差。对于加权平均值,我们可以使用weighted.mean函数,并指定权重列;对于方差,我们可以使用var函数,并指定权重列。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • MLQuant:基于XGBoost的金融时序交易策略(附代码)

    使用机器学习和过股票价格来预测下一个时期的价格或方向并不是什么新鲜事,它也不会产生任何有意义的预测。在这篇文章中我们将一系列资产的时间序列数据分解成一个简单的分类问题,看看机器学习模型能否更好地预测下一个周期方向。目标和策略是每天投资一项资产。其资产将是机器学习模型最有信心在下一个上升Ť+1期间股价上涨的资产。换句话说,我们对机器学习模型给出最大预测概率的资产进行投资,即给定资产明天将升值。也就是说,如果模型预测在第t天,GOOG的资产将以0.78的预测概率高于之前的收盘价,并且还预测AMZN将以0.53的概率上升,那么我们今天将投资于GOOG。我们每天只投资一项资产,该模型可以扩展到卖空、多资产购买和多周期等。

    04

    SPOTlight || 用NMF解卷积空间表达数据

    空间解析基因表达谱是理解组织组织和功能的关键。然而,目前空间转录组分析技术(Spatial Transcriptomics,ST)尚未达到单细胞分辨率,往往需要结合单细胞RNA测序(scRNA-seq)信息来反褶积(或解卷积,Deconvolute )空间数据集。SPOTlight利用这两种数据类型的优势,能够将ST与scRNA-seq数据集成,从而推断出复杂组织中细胞类型和状态的位置。SPOTlight基于一个种子的非负矩阵因子分解回归(Seeded NMF regression ),使用细胞类型标记基因和非负最小二乘(NNLS)初始化,随后去卷积ST捕获位置(spot)。在作者的文章中,在示例数据人类胰腺癌中,成功地将患者切片划分为健康和癌区,并进一步精细绘制正常和肿瘤细胞状态。SPOTlight 流程如下:

    01
    领券