Promedio por grupos en R

Para sacar el promedio por grupos en R sin paquetes adicionales, usa aggregate(valor ~ grupo, data = df, FUN = mean), que devuelve un data frame con un promedio por grupo, o tapply(df$valor, df$grupo, mean), que devuelve un vector con nombres. Con dplyr, el equivalente es df |> group_by(grupo) |> summarise(promedio = mean(valor)). Los ejemplos usan mtcars, un conjunto de datos que viene con R, para que obtengas exactamente la misma salida.

Sintaxis

tapply(df$valor, df$grupo, mean)                         # vector con nombres
aggregate(valor ~ grupo, data = df, FUN = mean)          # data frame
aggregate(valor ~ g1 + g2, data = df, FUN = mean)        # dos factores
aggregate(cbind(v1, v2) ~ grupo, data = df, FUN = mean)  # dos columnas

library(dplyr)
df |> group_by(grupo) |> summarise(promedio = mean(valor, na.rm = TRUE))

En mtcars, mpg es el rendimiento en millas por galón, cyl el número de cilindros, am la transmisión (0 automática, 1 manual) y hp la potencia.

Paso a paso

1. Identifica la columna numérica que vas a promediar y la columna (o columnas) que definen los grupos.
2. Para una consulta rápida en consola, usa tapply.
3. Para un resultado que vas a seguir procesando o exportar, usa aggregate o dplyr.
4. Si hay NA, decide qué hacer con ellos: la interfaz de fórmula de aggregate los descarta; tapply y summarise necesitan na.rm = TRUE.
5. Agrega el tamaño de cada grupo para interpretar el promedio.

Ejemplos resueltos

tapply(mtcars$mpg, mtcars$cyl, mean)
aggregate(mpg ~ cyl, data = mtcars, FUN = mean)

       4        6        8 
26.66364 19.74286 15.10000 
  cyl      mpg
1   4 26.66364
2   6 19.74286
3   8 15.10000

aggregate(mpg ~ cyl + am, data = mtcars, FUN = mean)

  cyl am      mpg
1   4  0 22.90000
2   6  0 19.12500
3   8  0 15.05000
4   4  1 28.07500
5   6  1 20.56667
6   8  1 15.40000

library(dplyr)

mtcars |>
  group_by(cyl) |>
  summarise(promedio = mean(mpg), n = n())

# A tibble: 3 × 3
    cyl promedio     n
  <dbl>    <dbl> <int>
1     4     26.7    11
2     6     19.7     7
3     8     15.1    14

Varias columnas a la vez

aggregate(cbind(mpg, hp) ~ cyl, data = mtcars, FUN = mean) promedia rendimiento y potencia por grupo en una sola llamada. En dplyr: summarise(across(c(mpg, hp), mean)). Si necesitas el promedio de cada columna sin agrupar, mira promedio de columnas y filas.

Errores comunes

• NA en el resultado de tapply o summarise. Algún grupo tiene un faltante. Agrega na.rm = TRUE como argumento extra: tapply(x, g, mean, na.rm = TRUE).
• Filas que desaparecen con aggregate. La interfaz de fórmula usa na.action = na.omit por omisión: elimina toda fila con un NA en cualquiera de las variables de la fórmula. Con varias columnas en cbind, un faltante en hp saca esa fila también del promedio de mpg.
• summarise sin group_by. Devuelve un solo promedio de toda la tabla.
• Conflicto con plyr. Si cargas plyr después de dplyr, su summarise reemplaza al de dplyr e ignora los grupos. Carga dplyr al final o escribe dplyr::summarise.
• Grupos numéricos tratados como números. cyl vale 4, 6 u 8; para gráficas o modelos conviértelo con factor(cyl), así R no lo interpreta como una cantidad continua.

El mismo cálculo en otros entornos: groupby en Python y GROUP BY en SQL.