如果将每个行值除以特定行中所有值的总和，则可以计算行值的比例。因此，比例的总和等于1。这可以通过将数据帧除以行总和来实现，为此，我们可以使用以下语法-
data_frame_name/rowSums(data_frame_name)
请看以下数据帧-
set.seed(111) x1<-rpois(20,2) x2<-rpois(20,5) x3<-round(runif(20,2,5),0) x4<-round(runif(20,2,4),0) df1<-data.frame(x1,x2,x3,x4) df1
输出结果
x1 x2 x3 x4 1 2 4 4 2 2 3 4 3 3 3 1 4 4 2 4 2 4 5 3 5 1 9 4 4 6 2 4 3 2 7 0 6 3 2 8 2 4 5 3 9 2 7 4 2 10 0 5 4 3 11 2 2 4 4 12 2 5 4 3 13 0 5 2 3 14 0 5 3 2 15 1 4 5 3 16 2 6 4 3 17 1 2 4 3 18 5 7 3 4 19 1 6 2 2 20 2 7 4 4
找到数据帧df1的每一行的比例-
df1<-df1/rowSums(df1) df1
输出结果
x1 x2 x3 x4 1 0.16666667 0.3333333 0.3333333 0.1666667 2 0.23076923 0.3076923 0.2307692 0.2307692 3 0.09090909 0.3636364 0.3636364 0.1818182 4 0.14285714 0.2857143 0.3571429 0.2142857 5 0.05555556 0.5000000 0.2222222 0.2222222 6 0.18181818 0.3636364 0.2727273 0.1818182 7 0.00000000 0.5454545 0.2727273 0.1818182 8 0.14285714 0.2857143 0.3571429 0.2142857 9 0.13333333 0.4666667 0.2666667 0.1333333 10 0.00000000 0.4166667 0.3333333 0.2500000 11 0.16666667 0.1666667 0.3333333 0.3333333 12 0.14285714 0.3571429 0.2857143 0.2142857 13 0.00000000 0.5000000 0.2000000 0.3000000 14 0.00000000 0.5000000 0.3000000 0.2000000 15 0.07692308 0.3076923 0.3846154 0.2307692 16 0.13333333 0.4000000 0.2666667 0.2000000 17 0.10000000 0.2000000 0.4000000 0.3000000 18 0.26315789 0.3684211 0.1578947 0.2105263 19 0.09090909 0.5454545 0.1818182 0.1818182 20 0.11764706 0.4117647 0.2352941 0.2352941
让我们看另一个例子-
y1<-sample(0:5,20,replace=TRUE) y2<-sample(0:9,20,replace=TRUE) y3<-sample(1:10,20,replace=TRUE) y4<-sample(1:50,20) y5<-sample(10:100,20) df2<-data.frame(y1,y2,y3,y4,y5) df2
输出结果
y1 y2 y3 y4 y5 1 4 5 3 48 87 2 4 6 10 41 76 3 2 5 7 26 36 4 2 1 5 44 82 5 4 8 2 4 80 6 1 1 3 35 12 7 5 5 9 10 84 8 3 3 6 1 93 9 1 3 8 9 15 10 0 4 4 19 83 11 4 5 4 24 65 12 0 7 10 3 49 13 1 5 6 27 64 14 1 5 2 47 10 15 1 6 3 45 56 16 4 0 2 33 28 17 2 9 3 32 96 18 0 3 6 5 52 19 0 7 5 15 61 20 2 6 3 31 98
找到数据帧df2每行的比例-
df2<-df2/rowSums(df2) df2
输出结果
y1 y2 y3 y4 y5 1 0.027210884 0.034013605 0.02040816 0.326530612 0.5918367 2 0.029197080 0.043795620 0.07299270 0.299270073 0.5547445 3 0.026315789 0.065789474 0.09210526 0.342105263 0.4736842 4 0.014925373 0.007462687 0.03731343 0.328358209 0.6119403 5 0.040816327 0.081632653 0.02040816 0.040816327 0.8163265 6 0.019230769 0.019230769 0.05769231 0.673076923 0.2307692 7 0.044247788 0.044247788 0.07964602 0.088495575 0.7433628 8 0.028301887 0.028301887 0.05660377 0.009433962 0.8773585 9 0.027777778 0.083333333 0.22222222 0.250000000 0.4166667 10 0.000000000 0.036363636 0.03636364 0.172727273 0.7545455 11 0.039215686 0.049019608 0.03921569 0.235294118 0.6372549 12 0.000000000 0.101449275 0.14492754 0.043478261 0.7101449 13 0.009708738 0.048543689 0.05825243 0.262135922 0.6213592 14 0.015384615 0.076923077 0.03076923 0.723076923 0.1538462 15 0.009009009 0.054054054 0.02702703 0.405405405 0.5045045 16 0.059701493 0.000000000 0.02985075 0.492537313 0.4179104 17 0.014084507 0.063380282 0.02112676 0.225352113 0.6760563 18 0.000000000 0.045454545 0.09090909 0.075757576 0.7878788 19 0.000000000 0.079545455 0.05681818 0.170454545 0.6931818 20 0.014285714 0.042857143 0.02142857 0.221428571 0.7000000