如何找到R数据帧中行的标准偏差？

要找到R数据帧中行的标准差，我们可以使用dplyr包的mutate函数和matrixStats包的rowSds函数。例如，如果我们有一个名为df的数据框，其中包含两列x和y，则可以使用以下命令找到行的标准差-

df%>%mutate(STDEV=rowSds(as.matrix(.[c("x","y")])))

示例

考虑以下数据帧-

x1<-rpois(20,5)
x2<-rpois(20,2)
x3<-rpois(20,3)
x4<-rpois(20,2)
df1<-data.frame(x1,x2,x3,x4)
df1

输出结果

   x1 x2 x3 x4
1  3  5  6  4
2  5  2  2  3
3  9  5  5  2
4  6  4  8  2
5  5  3  3  4
6  3  2  8  3
7  4  3  4  2
8  2  3  4  1
9  9  1  1  3
10 0  6  4  2
11 8  1  5  1
12 5  5  6  5
13 5  1  1  2
14 7  0  2  0
15 6  1  2  1
16 7  0  2  1
17 7  6  3  1
18 6  0  3  2
19 3  3  2  1
20 9  2  3  0

加载dplyr和matrixStats包，并在数据帧df1中查找行的标准偏差-

示例

library(dplyr)
library(matrixStats)
df1%>%mutate(STDEV=rowSds(as.matrix(.[c("x1","x2","x3","x4")])))

输出结果

   x1 x2 x3 x4  STDEV
1  3  5  6  4  1.2909944
2  5  2  2  3  1.4142136
3  9  5  5  2  2.8722813
4  6  4  8  2  2.5819889
5  5  3  3  4  0.9574271
6  3  2  8  3  2.7080128
7  4  3  4  2  0.9574271
8  2  3  4  1  1.2909944
9  9  1  1  3  3.7859389
10 0  6  4  2  2.5819889
11 8  1  5  1  3.4034296
12 5  5  6  5  0.5000000
13 5  1  1  2  1.8929694
14 7  0  2  0  3.3040379
15 6  1  2  1  2.3804761
16 7  0  2  1  3.1091264
17 7  6  3  1  2.7537853
18 6  0  3  2  2.5000000
19 3  3  2  1  0.9574271
20 9  2  3  0  3.8729833

示例

y1<-rnorm(20)
y2<-rnorm(20,5,3.2)
df2<-data.frame(y1,y2)
df2

输出结果

       y1           y2
1   0.86446680   5.6802977
2   0.60195104   0.6486237
3  -1.59813139   2.5848931
4  -0.78227050   3.8482150
5   1.48952658  13.1513324
6  -0.60257914   8.2694503
7   1.18436339   3.0598210
8   0.69717086   7.2714069
9   0.38565158   2.6345042
10  0.66689354   6.7638348
11 -0.28068587   3.3071879
12  0.70508469   7.6279248
13  0.04041801   2.4287727
14 -0.47374539  -1.3595359
15 -1.21819237   4.5158727
16  0.91791874   5.1770052
17  0.78480807   7.1456598
18 -1.07354342   4.2004320
19  0.02830331   6.5698650
20  0.72080430   5.8628232

在数据帧df2中找到行的标准偏差-

示例

df2%>%mutate(STDEV=rowSds(as.matrix(.[c("y1","y2")])))

输出结果

        y1       y2          STDEV
1   0.86446680  5.6802977  3.40530670
2   0.60195104  0.6486237  0.03300256
3  -1.59813139  2.5848931  2.95784496
4  -0.78227050  3.8482150  3.27424772
5   1.48952658 13.1513324  8.24614194
6  -0.60257914  8.2694503  6.27347216
7   1.18436339  3.0598210  1.32614878
8   0.69717086  7.2714069  4.64868686
9   0.38565158  2.6345042  1.59017895
10  0.66689354  6.7638348  4.31118848
11 -0.28068587  3.3071879  2.53700985
12  0.70508469  7.6279248  4.89518719
13  0.04041801  2.4287727  1.68882179
14 -0.47374539 -1.3595359  0.62634847
15 -1.21819237  4.5158727  4.05459631
16  0.91791874  5.1770052  3.01162894
17  0.78480807  7.1456598  4.49780138
18 -1.07354342  4.2004320  3.72926381
19  0.02830331  6.5698650  4.62558262
20  0.72080430  5.8628232  3.63595643