OA <- aggregate(House.Points@data$Price, by = list(House.Points@data$OA11CD), mean)

时间: 2024-03-07 11:51:31 浏览: 27
这也是一个R语言的命令,它将House.Points@data$Price按照House.Points@data$OA11CD中的不同取值进行分组,并对每组计算其均值。最后,将每组的均值和对应的组别储存在一个名为OA的数据框中。 具体地,这个命令用到了aggregate函数,其中House.Points@data$Price是待分组的数据,by = list(House.Points@data$OA11CD)指定了分组变量,mean则表示计算每组的均值。命令执行完后,可以通过OA来查看分组结果。
相关问题

meanweek<-aggregate(. ~ cut(date, "1 week"), data, mean)

这行代码的作用是将数据框 `data` 中的各个变量按照 `date` 列的每周时间间隔进行分组,并计算每组中各个变量的均值。其中 `cut(date, "1 week")` 表示将 `date` 列按照每周时间间隔进行切割,`. ~` 表示使用所有其他变量作为分组条件。最终结果将会是一个新的数据框,其中包含每周的平均值。

修改r语言month变为NA的错误:#install.packages("tidyverse") #install.packages("ggplot2") library(scales) library(ggplot2) library(dplyr) library(tidyverse) setwd("C:/Users/25341/Desktop") data1 <- read.csv("covid19.csv") str(data1) year<-strsplit(data1$Date,split = "-") year1<-do.call(rbind, year)[,1] data1$year1<-year1 data1<- mutate(data1, year =substr(year1,1,4)) result1<-aggregate(data1$New_cases, data1[,c("year","Country","Country_code")],sum) result2<-aggregate(data1$New_deaths, data1[,c("year","Country","Country_code")],sum) result<-cbind(result1,result2$x) filter(data1,data1$Country=="China" | data1$Country=="American Samoa" | data1$Country=="British Virgin Islands" | data1$Country=="India" | data1$Country=="Japan" ) filter(result,result$Country=="China" | result$Country=="American Samoa" | result$Country=="British Virgin Islands" | result$Country=="India" | result$Country=="Japan" ) data2<-subset(data1,data1$Country=="China" | data1$Country=="American Samoa" | data1$Country=="British Virgin Islands" | data1$Country=="India" | data1$Country=="Japan" ) df<-filter(result,result$Country=="China" | result$Country=="American Samoa" | result$Country=="British Virgin Islands" | result$Country=="India" | result$Country=="Japan" ) names(df)<-c("year","Country", "Country_code","newcases" ,"newdeaths") df$newcases=as.numeric(df$newcases) str(df) p1.1<-ggplot(df,aes(x=year,y=newcases,group = Country,color=Country,shape=Country,linetype=Country))+ geom_line(size=1)+ geom_point(size=2) p1.1 p1.2<-ggplot(df,aes(x=year,y=newdeaths,group = Country,color=Country,shape=Country,linetype=Country))+ geom_line(size=1)+ geom_point(size=2) p1.2 month<-strsplit(data1$Date,split = "-") month1<-do.call(rbind,month)[,1] data1$month1<-month1 data2<- mutate(data1, month =substr(year1,5,7)) result1.1<-aggregate(data2$New_cases, data2[,c("year","month","Country","Country_code")],sum) result1.1 result2.1<-aggregate(data2$New_deaths, data2[,c("year","month","Country","Country_code")],sum) result2.1 result11<-cbind(result1.1,result2.1$x) df1<-filter(result11,result11$Country=="China" | result11$Country=="American Samoa" | result11$Country=="British Virgin Islands" | result11$Country=="India" | result11$Country=="Japan" ) names(df1)<-c("year","month","Country", "Country_code","newcases" ,"newdeaths") df1$month <- factor(df1$month ,levels = c("/1/", "/2/", "/3/", "/4/","/5/", "/6/", "/7/", "/8/","/9/","/10", "/11", "/12")) df1

根据你提供的代码,修改R语言month变为NA的错误的方法如下: 1. 将month1中的月份提取出来,而不是年份: 将以下代码: ``` month1<-do.call(rbind,month)[,1] ``` 修改为: ``` month1<-do.call(rbind,month)[,2] ``` 2. 将month1中的月份格式转换为数字: 在以下代码后面添加一行: ``` month1<-as.numeric(month1) ``` 3. 找到month1中缺失值的位置并将其替换成NA: 在以下代码后面添加两行: ``` missing_month<-which(month1=="") month1[missing_month]<-NA ``` 4. 修改df1中month的列名为month1: 将以下代码: ``` names(df1)<-c("year","month","Country", "Country_code","newcases" ,"newdeaths") ``` 修改为: ``` names(df1)<-c("year","month1","Country", "Country_code","newcases" ,"newdeaths") ``` 5. 最后,重新运行代码并确认month1中没有缺失值。

相关推荐

帮我修改以下代码,使他们可以正确运行:library(ggplot2) library(gridExtra) ggplot(df, aes(x = x, y = y, color = z)) + geom_point() p1 <- ggplot(subset(df, z == 'a'), aes(x = x, y = y)) + geom_point(color = 'black') p2 <- ggplot(subset(df, z == 'b'), aes(x = x, y = y)) + geom_point(color = 'black') p3 <- ggplot(subset(df, z == 'c'), aes(x = x, y = y)) + geom_point(color = 'black') grid.arrange(p1, p2, p3, ncol = 3) centroids <- aggregate(df[, c('x', 'y')], by = list(df$z), FUN = mean) names(centroids)[1] <- 'z' p1 <- ggplot(df, aes(x = x, y = y)) + geom_point(aes(color = z)) + geom_point(data = subset(centroids, z == 'a'), aes(x = x, y = y, color = z), size = 4) p2 <- ggplot(df, aes(x = x, y = y)) + geom_point(aes(color = z)) + geom_point(data = subset(centroids, z == 'b'), aes(x = x, y = y, color = z), size = 4) p3 <- ggplot(df, aes(x = x, y = y)) + geom_point(aes(color = z)) + geom_point(data = subset(centroids, z == 'c'), aes(x = x, y = y, color = z), size = 4) grid.arrange(p1, p2, p3, ncol = 3) p1 <- ggplot(df, aes(x = x, y = y)) + geom_point(data = subset(df, z == 'a'), aes(color = z)) + geom_point(data = subset(df, z != 'a'), color = 'grey70') p2 <- ggplot(df, aes(x = x, y = y)) + geom_point(data = subset(df, z == 'b'), aes(color = z)) + geom_point(data = subset(df, z != 'b'), color = 'grey70') p3 <- ggplot(df, aes(x = x, y = y)) + geom_point(data = subset(df, z == 'c'), aes(color = z)) + geom_point(data = subset(df, z != 'c'), color = 'grey70') grid.arrange(p1, p2, p3, ncol = 3)

最新推荐

recommend-type

USI-T_Data_Sheet_REV1.03-2015-0626.pdf

The trend towards higher resolutions, higher fame rates, and higher color depth in flat panel displays, particularly LCD panels, is pushing ... The aggregate bandwidth requirement for state-of-the art d
recommend-type

大数据之flink教程-TableAPI和SQL.pdf

第一章 整体介绍 2 1.1 什么是 Table API 和 Flink SQL 2 1.2 需要引入的依赖 2 1.3 两种 planner(old & blink)的区别 4 第二章 API 调用 5 ...5.2.5 表聚合函数(Table Aggregate Functions) 47
recommend-type

国内移动端APP月活跃(MAU)Top5000 数据整理

国内移动端APP月活跃(MAU)Top5000 时间范围:2020年-2022年 具有一定参考价值 csv格式
recommend-type

藏经阁-应用多活技术白皮书-40.pdf

本资源是一份关于“应用多活技术”的专业白皮书,深入探讨了在云计算环境下,企业如何应对灾难恢复和容灾需求。它首先阐述了在数字化转型过程中,容灾已成为企业上云和使用云服务的基本要求,以保障业务连续性和数据安全性。随着云计算的普及,灾备容灾虽然曾经是关键策略,但其主要依赖于数据级别的备份和恢复,存在数据延迟恢复、高成本以及扩展性受限等问题。 应用多活(Application High Availability,简称AH)作为一种以应用为中心的云原生容灾架构,被提出以克服传统灾备的局限。它强调的是业务逻辑层面的冗余和一致性,能在面对各种故障时提供快速切换,确保服务不间断。白皮书中详细介绍了应用多活的概念,包括其优势,如提高业务连续性、降低风险、减少停机时间等。 阿里巴巴作为全球领先的科技公司,分享了其在应用多活技术上的实践历程,从早期集团阶段到云化阶段的演进,展示了企业在实际操作中的策略和经验。白皮书还涵盖了不同场景下的应用多活架构,如同城、异地以及混合云环境,深入剖析了相关的技术实现、设计标准和解决方案。 技术分析部分,详细解析了应用多活所涉及的技术课题,如解决的技术问题、当前的研究状况,以及如何设计满足高可用性的系统。此外,从应用层的接入网关、微服务组件和消息组件,到数据层和云平台层面的技术原理,都进行了详尽的阐述。 管理策略方面,讨论了应用多活的投入产出比,如何平衡成本和收益,以及如何通过能力保鲜保持系统的高效运行。实践案例部分列举了不同行业的成功应用案例,以便读者了解实际应用场景的效果。 最后,白皮书展望了未来趋势,如混合云多活的重要性、应用多活作为云原生容灾新标准的地位、分布式云和AIOps对多活的推动,以及在多云多核心架构中的应用。附录则提供了必要的名词术语解释,帮助读者更好地理解全文内容。 这份白皮书为企业提供了全面而深入的应用多活技术指南,对于任何寻求在云计算时代提升业务韧性的组织来说,都是宝贵的参考资源。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB矩阵方程求解与机器学习:在机器学习算法中的应用

![matlab求解矩阵方程](https://img-blog.csdnimg.cn/041ee8c2bfa4457c985aa94731668d73.png) # 1. MATLAB矩阵方程求解基础** MATLAB中矩阵方程求解是解决线性方程组和矩阵方程的关键技术。本文将介绍MATLAB矩阵方程求解的基础知识,包括矩阵方程的定义、求解方法和MATLAB中常用的求解函数。 矩阵方程一般形式为Ax=b,其中A为系数矩阵,x为未知数向量,b为常数向量。求解矩阵方程的过程就是求解x的值。MATLAB提供了多种求解矩阵方程的函数,如solve、inv和lu等。这些函数基于不同的算法,如LU分解
recommend-type

触发el-menu-item事件获取的event对象

触发`el-menu-item`事件时,会自动传入一个`event`对象作为参数,你可以通过该对象获取触发事件的具体信息,例如触发的元素、鼠标位置、键盘按键等。具体可以通过以下方式获取该对象的属性: 1. `event.target`:获取触发事件的目标元素,即`el-menu-item`元素本身。 2. `event.currentTarget`:获取绑定事件的元素,即包含`el-menu-item`元素的`el-menu`组件。 3. `event.key`:获取触发事件时按下的键盘按键。 4. `event.clientX`和`event.clientY`:获取触发事件时鼠标的横纵坐标
recommend-type

藏经阁-阿里云计算巢加速器:让优秀的软件生于云、长于云-90.pdf

阿里云计算巢加速器是阿里云在2022年8月飞天技术峰会上推出的一项重要举措,旨在支持和服务于企业服务领域的创新企业。通过这个平台,阿里云致力于构建一个开放的生态系统,帮助软件企业实现从云端诞生并持续成长,增强其竞争力。该加速器的核心价值在于提供1对1的技术专家支持,确保ISV(独立软件供应商)合作伙伴能获得与阿里云产品同等的技术能力,从而保障用户体验的一致性。此外,入选的ISV还将享有快速在钉钉和云市场上线的绿色通道,以及与行业客户和投资机构的对接机会,以加速业务发展。 活动期间,包括百奥利盟、极智嘉、EMQ、KodeRover、MemVerge等30家企业成为首批计算巢加速器成员,与阿里云、钉钉以及投资界专家共同探讨了技术进步、产品融合、战略规划和资本市场的关键议题。通过这次合作,企业可以借助阿里云的丰富资源和深厚技术实力,应对数字化转型中的挑战,比如精准医疗中的数据处理加速、物流智慧化的升级、数字孪生的普及和云原生图数据库的构建。 阿里云计算巢加速器不仅是一个技术支持平台,也是企业成长的催化剂。它通过举办类似2023年2月的集结活动,展示了如何通过云计算生态的力量,帮助企业在激烈的竞争中找到自己的定位,实现可持续发展。参与其中的优秀企业如神策和ONES等,都在这个平台上得到了加速和赋能,共同推动了企业服务领域的创新与进步。总结来说,阿里云计算巢加速器是一个集技术、资源和生态支持于一体的全方位服务平台,旨在帮助企业软件产业在云端绽放光彩。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

MATLAB矩阵方程求解与数据分析:在数据分析中的应用与案例

![MATLAB矩阵方程求解与数据分析:在数据分析中的应用与案例](https://img-blog.csdnimg.cn/img_convert/007dbf114cd10afca3ca66b45196c658.png) # 1. MATLAB矩阵方程求解理论基础** MATLAB中矩阵方程求解是数值分析中一个重要的课题。矩阵方程的形式一般为`Ax = b`,其中`A`是一个系数矩阵,`x`是未知向量,`b`是常数向量。求解矩阵方程的方法有很多,包括直接求解法和迭代求解法。 直接求解法通过对系数矩阵`A`进行分解,将矩阵方程转化为求解三角形方程组或线性方程组,从而得到未知向量`x`。常见