Funkcja agregacji R: podsumowanie & Group_by () Przykład

Podsumowanie zmiennej jest ważne, aby mieć pojęcie o danych. Chociaż podsumowanie zmiennej według grupy daje lepsze informacje na temat dystrybucji danych.

W tym samouczku dowiesz się, jak podsumować zestaw danych według grup za pomocą biblioteki dplyr.

W tym samouczku dowiesz się

• Podsumować()
• Group_by vs no group_by
• Funkcja w streszczeniu ()
• Podstawowa funkcja
• Podzbiór
• Suma
• Odchylenie standardowe
• Minimum i maksimum
• Liczyć
• Pierwszy i ostatni
• n-ta obserwacja
• Wiele grup
• Filtr
• Rozgrupuj

W tym samouczku użyjesz zestawu danych mrugnięcia. Oryginalny zbiór danych zawiera 102816 obserwacji i 22 zmienne. Będziesz używać tylko 20 procent tego zbioru danych i używać następujących zmiennych:

• playerID: kod identyfikacyjny gracza. Czynnik
• yearID: Year. Czynnik
• teamID: Team. czynnik
• lgID: League. Czynnik: AA AL FL NL PL UA
• AB: U nietoperzy. Numeryczne
• G: Gry: liczba gier przez gracza. Numeryczne
• R: Biegnie. Numeryczne
• HR: Homeruns. Numeryczne
• SH: Ofiarowanie trafień. Numeryczne

Zanim wykonasz podsumowanie, wykonasz następujące kroki, aby przygotować dane:

• Krok 1: Zaimportuj dane
• Krok 2: Wybierz odpowiednie zmienne
• Krok 3: Sortuj dane

library(dplyr)# Step 1data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") %> %# Step 2select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) %> %# Step 3arrange(playerID, teamID, yearID)

Dobrą praktyką podczas importowania zestawu danych jest użycie funkcji glimpse () w celu uzyskania informacji o strukturze zbioru danych.

# Structure of the dataglimpse(data)

Wynik:

Observations: 104,324Variables: 9$ playerID  aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a… $ yearID  2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196… $ AB  1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495,… $ teamID  ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A… $ lgID  NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL,… $ G  33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15… $ R  0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75… $ HR  0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40… $ SH  0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6,… 

Podsumować()

Składnia summarize () jest podstawowa i spójna z innymi czasownikami zawartymi w bibliotece dplyr.

summarise(df, variable_name=condition)arguments:- `df`: Dataset used to construct the summary statistics- `variable_name=condition`: Formula to create the new variable

Spójrz na poniższy kod:

summarise(data, mean_run =mean(R))

Objaśnienie kodu

• summarize (data, mean_run = mean (R)): Tworzy zmienną o nazwie mean_run, która jest średnią z kolumny uruchomionej na podstawie danych zestawu danych.

Wynik:

## mean_run## 1 19.20114

Możesz dodać dowolną liczbę zmiennych. Zwracasz średnią rozegranych gier i średnią liczbę trafień poświęconych.

summarise(data, mean_games = mean(G),mean_SH = mean(SH, na.rm = TRUE))

Objaśnienie kodu

• mean_SH = mean (SH, na.rm = TRUE): Podsumuj drugą zmienną. Ustawiono na.rm = TRUE, ponieważ kolumna SH zawiera brakujące obserwacje.

Wynik:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Funkcja summerise () bez group_by () nie ma żadnego sensu. Tworzy statystyki podsumowujące według grup. Biblioteka dplyr automatycznie stosuje funkcję do grupy, którą przekazałeś w czasowniku group_by.

Zauważ, że group_by działa doskonale ze wszystkimi innymi czasownikami (tj. Mutate (), filter (), aranżuj (),…).

Jeśli masz więcej niż jeden krok, wygodnie jest używać operatora potoku. Możesz obliczyć średnią homerun według ligi baseballowej.

data % > %group_by(lgID) % > %summarise(mean_run = mean(HR))

Objaśnienie kodu

• dane: zestaw danych używany do tworzenia statystyk podsumowujących
• group_by (lgID): Oblicz podsumowanie, grupując zmienną `lgID
• summarize (mean_run = mean (HR)): Oblicz średnią homerun

Wynik:

### A tibble: 7 x 2## lgID mean_run##  ## 1 AA 0.9166667## 2 AL 3.1270988## 3 FL 1.3131313## 4 NL 2.8595953## 5 PL 2.5789474## 6 UA 0.6216216## 7  0.2867133

Operator potoku działa również z ggplot (). Możesz łatwo wyświetlić statystyki podsumowujące za pomocą wykresu. Wszystkie stopnie są wpychane do rurociągu, aż do wykreślenia chwytaka. Wydaje się bardziej wizualne, aby zobaczyć przeciętnego homerun według ligi z postacią barową. Poniższy kod demonstruje siłę połączenia group_by (), summarize () i ggplot () razem.

Wykonasz następujący krok:

• Krok 1: Wybierz ramkę danych
• Krok 2: Grupuj dane
• Krok 3: Podsumuj dane
• Krok 4: Wykreśl statystyki podsumowujące

library(ggplot2)# Step 1data % > %#Step 2group_by(lgID) % > %#Step 3summarise(mean_home_run = mean(HR)) % > %#Step 4ggplot(aes(x = lgID, y = mean_home_run, fill = lgID)) +geom_bar(stat = "identity") +theme_classic() +labs(x = "baseball league",y = "Average home run",title = paste("Example group_by() with summarise()"))

Wynik:

Funkcja w streszczeniu ()

Czasownik summarize () jest zgodny z prawie wszystkimi funkcjami w języku R. Oto krótka lista przydatnych funkcji, których można używać razem z summarize ():

Zobaczymy przykłady dla każdej funkcji z tabeli 1.

Podstawowa funkcja

W poprzednim przykładzie nie zapisałeś statystyki podsumowującej w ramce danych.

Aby wygenerować ramkę daty na podstawie podsumowania, możesz przejść w dwóch krokach:

• Krok 1: Zachowaj ramkę danych do dalszego użytku
• Krok 2: Użyj zestawu danych, aby utworzyć wykres liniowy

Krok 1) Obliczasz średnią liczbę gier rozegranych w ciągu roku.

## Meanex1 <- data % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))head(ex1)

Objaśnienie kodu

• Sumaryczna statystyka zbioru danych mrugnięcia jest przechowywana w ramce danych ex1.

Wynik:

## # A tibble: 6 x 2## yearID mean_game_year##  ## 1 1871 23.42308## 2 1872 18.37931## 3 1873 25.61538## 4 1874 39.05263## 5 1875 28.39535## 6 1876 35.90625

Krok 2) Pokazujesz statystyki podsumowujące z wykresem liniowym i widzisz trend.

# Plot the graphggplot(ex1, aes(x = yearID, y = mean_game_year)) +geom_line() +theme_classic() +labs(x = "Year",y = "Average games played",title = paste("Average games played from 1871 to 2016"))

Wynik:

Podzbiór

Funkcja summarize () jest zgodna z podzestawami.

## Subsetting + Mediandata % > %group_by(lgID) % > %summarise(median_at_bat_league = median(AB),#Compute the median without the zeromedian_at_bat_league_no_zero = median(AB[AB > 0]))

Objaśnienie kodu

• median_at_bat_league_no_zero = median (AB [AB> 0]): Zmienna AB zawiera dużo 0. Możesz porównać medianę zmiennej at bat z i bez 0.

Wynik:

## # A tibble: 7 x 3## lgID median_at_bat_league median_at_bat_league_no_zero##   ## 1 AA 130 131## 2 AL 38 85## 3 FL 88 97## 4 NL 56 67## 5 PL 238 238## 6 UA 35 35## 7  101 101

Suma

Inną przydatną funkcją do agregowania zmiennej jest sum ().

Możesz sprawdzić, które ligi mają więcej homerunów.

## Sumdata % > %group_by(lgID) % > %summarise(sum_homerun_league = sum(HR))

Wynik:

## # A tibble: 7 x 2## lgID sum_homerun_league##  ## 1 AA 341## 2 AL 29426## 3 FL 130## 4 NL 29817## 5 PL 98## 6 UA 46## 7  41

Odchylenie standardowe

Rozrzut w danych jest obliczany za pomocą odchylenia standardowego lub sd () w R.

# Spreaddata % > %group_by(teamID) % > %summarise(sd_at_bat_league = sd(HR))

Wynik:

## # A tibble: 148 x 2## teamID sd_at_bat_league##  ## 1 ALT NA## 2 ANA 8.7816395## 3 ARI 6.0765503## 4 ATL 8.5363863## 5 BAL 7.7350173## 6 BFN 1.3645163## 7 BFP 0.4472136## 8 BL1 0.6992059## 9 BL2 1.7106757## 10 BL3 1.0000000## #… with 138 more rows

Istnieje wiele nierówności w ilości homerunów wykonanych przez każdą drużynę.

Minimum i maksimum

Możesz uzyskać dostęp do minimum i maksimum wektora za pomocą funkcji min () i max ().

Poniższy kod zwraca najniższą i najwyższą liczbę meczów w sezonie rozegranych przez gracza.

# Min and maxdata % > %group_by(playerID) % > %summarise(min_G = min(G),max_G = max(G))

Wynik:

## # A tibble: 10,395 x 3## playerID min_G max_G##  ## 1 aardsda01 53 73## 2 aaronha01 120 156## 3 aasedo01 24 66## 4 abadfe01 18 18## 5 abadijo01 11 11## 6 abbated01 3 153## 7 abbeybe01 11 11## 8 abbeych01 80 132## 9 abbotgl01 5 23## 10 abbotji01 13 29## #… with 10,385 more rows

Liczyć

Liczenie obserwacji według grup jest zawsze dobrym pomysłem. Za pomocą R możesz agregować liczbę wystąpień za pomocą n ().

Na przykład poniższy kod oblicza liczbę lat granych przez każdego gracza.

# count observationsdata % > %group_by(playerID) % > %summarise(number_year = n()) % > %arrange(desc(number_year))

Wynik:

## # A tibble: 10,395 x 2## playerID number_year##  ## 1 pennohe01 11## 2 joosted01 10## 3 mcguide01 10## 4 rosepe01 10## 5 davisha01 9## 6 johnssi01 9## 7 kaatji01 9## 8 keelewi01 9## 9 marshmi01 9## 10 quirkja01 9## #… with 10,385 more rows

Pierwszy i ostatni

Możesz wybrać pierwszą, ostatnią lub n-tą pozycję grupy.

Na przykład możesz znaleźć pierwszy i ostatni rok każdego gracza.

# first and lastdata % > %group_by(playerID) % > %summarise(first_appearance = first(yearID),last_appearance = last(yearID))

Wynik:

## # A tibble: 10,395 x 3## playerID first_appearance last_appearance##   ## 1 aardsda01 2009 2010## 2 aaronha01 1973 1975## 3 aasedo01 1986 1990## 4 abadfe01 2016 2016## 5 abadijo01 1875 1875## 6 abbated01 1905 1897## 7 abbeybe01 1894 1894## 8 abbeych01 1895 1897## 9 abbotgl01 1973 1979## 10 abbotji01 1992 1996## #… with 10,385 more rows

n-ta obserwacja

Funkcja nth () jest komplementarna do funkcji first () i last (). Możesz uzyskać dostęp do n-tej obserwacji w grupie z indeksem do zwrócenia.

Na przykład możesz filtrować tylko drugi rok, w którym grała drużyna.

# nthdata % > %group_by(teamID) % > %summarise(second_game = nth(yearID, 2)) % > %arrange(second_game)

Wynik:

## # A tibble: 148 x 2## teamID second_game##  ## 1 BS1 1871## 2 CH1 1871## 3 FW1 1871## 4 NY2 1871## 5 RC1 1871## 6 BR1 1872## 7 BR2 1872## 8 CL1 1872## 9 MID 1872## 10 TRO 1872## #… with 138 more rows

Wyraźna liczba obserwacji

Funkcja n () zwraca liczbę obserwacji w bieżącej grupie. Zamkniętą funkcją n () jest n_distinct (), która liczy liczbę unikalnych wartości.

W następnym przykładzie zsumujesz liczbę graczy rekrutowanych przez drużynę we wszystkich okresach.

# distinct valuesdata % > %group_by(teamID) % > %summarise(number_player = n_distinct(playerID)) % > %arrange(desc(number_player))

Objaśnienie kodu

• group_by (identyfikator zespołu): Grupuj według roku i zespołu
• summarize (number_player = n_distinct (playerID)): Policz różną liczbę graczy w drużynie
• aranżować (desc (number_player)): Sortuj dane według liczby graczy

Wynik:

## # A tibble: 148 x 2## teamID number_player##  ## 1 CHN 751## 2 SLN 729## 3 PHI 699## 4 PIT 683## 5 CIN 679## 6 BOS 647## 7 CLE 646## 8 CHA 636## 9 DET 623## 10 NYA 612## #… with 138 more rows

Wiele grup

Statystyka podsumowująca może być realizowana w wielu grupach.

# Multiple groupsdata % > %group_by(yearID, teamID) % > %summarise(mean_games = mean(G)) % > %arrange(desc(teamID, yearID))

Objaśnienie kodu

• group_by (identyfikator roku, identyfikator zespołu): Grupuj według roku i zespołu
• summarize (mean_games = mean (G)): Podsumuj liczbę graczy w grze
• aranżacja (desc (teamID, yearID)): Sortuj dane według zespołu i roku

Wynik:

## # A tibble: 2,829 x 3## # Groups: yearID [146]## yearID teamID mean_games##   ## 1 1884 WSU 20.41667## 2 1891 WS9 46.33333## 3 1886 WS8 22.00000## 4 1887 WS8 51.00000## 5 1888 WS8 27.00000## 6 1889 WS8 52.42857## 7 1884 WS7 8.00000## 8 1875 WS6 14.80000## 9 1873 WS5 16.62500## 10 1872 WS4 4.20000## #… with 2,819 more rows 

Filtr

Zanim zamierzasz wykonać operację, możesz przefiltrować zbiór danych. Zbiór danych rozpoczyna się w 1871 r., A analiza nie wymaga lat poprzedzających 1980 r.

# Filterdata % > %filter(yearID > 1980) % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))

Objaśnienie kodu

• filter (yearID> 1980): Filtruj dane, aby pokazać tylko odpowiednie lata (tj. po 1980)
• group_by (yearID): Grupuj według roku
• summarize (mean_game_year = mean (G)): Podsumuj dane

Wynik:

## # A tibble: 36 x 2## yearID mean_game_year##  ## 1 1981 40.64583## 2 1982 56.97790## 3 1983 60.25128## 4 1984 62.97436## 5 1985 57.82828## 6 1986 58.55340## 7 1987 48.74752## 8 1988 52.57282## 9 1989 58.16425## 10 1990 52.91556## #… with 26 more rows

Rozgrupuj

Wreszcie, musisz usunąć grupowanie, zanim będziesz chciał zmienić poziom obliczeń.

# Ungroup the datadata % > %filter(HR > 0) % > %group_by(playerID) % > %summarise(average_HR_game = sum(HR) / sum(G)) % > %ungroup() % > %summarise(total_average_homerun = mean(average_HR_game))

Objaśnienie kodu

• filter (HR> 0): wyklucz zero homerun
• group_by (playerID): grupuj według gracza
• summarize (Average_HR_game = sum (HR) / sum (G)): Oblicz średnią homerun przez gracza
• ungroup (): usuwa zgrupowanie
• summarize (total_average_homerun = mean (Average_HR_game)): Podsumuj dane

Wynik:

## # A tibble: 1 x 1## total_average_homerun## ## 1 0.06882226

Podsumowanie

Jeśli chcesz zwrócić podsumowanie według grup, możesz użyć:

# group by X1, X2, X3group(df, X1, X2, X3) 

musisz rozgrupować dane za pomocą:

ungroup(df) 

Poniższa tabela zawiera podsumowanie funkcji, której nauczyłeś się z summarize ()

summarise(df,mean_x1 = mean(x1))

summarise(df,median_x1 = median(x1))

summarise(df,sum_x1 = sum(x1))

summarise(df,sd_x1 = sd(x1))

summarise(df,interquartile_x1 = IQR(x1))

summarise(df,minimum_x1 = min(x1))

summarise(df,maximum_x1 = max(x1))

summarise(df,quantile_x1 = quantile(x1))

summarise(df,first_x1 = first(x1))

summarise(df,last_x1 = last(x1))

summarise(df,nth_x1 = nth(x1, 2))

summarise(df,n_x1 = n(x1))

summarise(df,n_distinct _x1 = n_distinct(x1))