R Агрегатная функция: подвести итоги & Group_by () Пример

Резюме переменной важно иметь представление о данных. Хотя обобщение переменной по группе дает лучшую информацию о распределении данных.

В этом руководстве вы узнаете, как суммировать набор данных по группам с помощью библиотеки dplyr.

В этом руководстве вы узнаете

• Подвести итог()
• Group_by против no group_by
• Функция в summarize ()
• Основная функция
• Подмножество
• Сумма
• Стандартное отклонение
• Минимум и максимум
• Считать
• В общем и целом
• n-е наблюдение
• Несколько групп
• Фильтр
• Разгруппировать

В этом руководстве вы будете использовать набор данных ватина. Исходный набор данных содержит 102816 наблюдений и 22 переменных. Вы будете использовать только 20 процентов этого набора данных и использовать следующие переменные:

• playerID: Идентификационный код игрока. Фактор
• yearID: Год. Фактор
• teamID: Команда. фактор
• lgID: Лига. Фактор: AA AL FL NL PL UA
• АБ: У летучих мышей. Числовой
• G: Игры: количество игр, проведенных игроком. Числовой
• Р: Бежит. Числовой
• HR: Homeruns. Числовой
• СХ: Жертвоприношение хитов. Числовой

Перед выполнением сводки вы выполните следующие шаги для подготовки данных:

• Шаг 1. Импортируйте данные
• Шаг 2: Выберите соответствующие переменные
• Шаг 3. Отсортируйте данные

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)

Хорошая практика при импорте набора данных - использовать функцию glimpse (), чтобы иметь представление о структуре набора данных.

# Structure of the dataglimpse(data)

Выход:

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,… 

Подвести итог()

Синтаксис summarize () является базовым и согласуется с другими командами, включенными в библиотеку dplyr.

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

Посмотрите на код ниже:

summarise(data, mean_run =mean(R))

Код Пояснение

• summarize (data, mean_run = mean (R)): создает переменную с именем mean_run, которая представляет собой среднее значение столбца, выполненного на основе данных набора данных.

Выход:

## mean_run## 1 19.20114

Вы можете добавить столько переменных, сколько захотите. Вы возвращаете среднее количество сыгранных игр и среднее количество жертв.

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

Код Пояснение

• mean_SH = mean (SH, na.rm = TRUE): суммирует вторую переменную. Вы устанавливаете na.rm = TRUE, потому что столбец SH содержит недостающие наблюдения.

Выход:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by против no group_by

Функция Summerise () без group_by () не имеет смысла. Создает сводную статистику по группам. Библиотека dplyr автоматически применяет функцию к группе, которую вы передали внутри глагола group_by.

Обратите внимание, что group_by отлично работает со всеми другими глаголами (например, mutate (), filter (), аранжировать (),…).

Оператор конвейера удобно использовать, когда у вас более одного шага. Вы можете вычислить средний хоумран по бейсбольной лиге.

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

Код Пояснение

• data: набор данных, используемый для построения сводной статистики.
• group_by (lgID): вычислить сводку, сгруппировав переменную `lgID
• summarize (mean_run = mean (HR)): вычислить среднее значение homerun

Выход:

### 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

Оператор pipe также работает с ggplot (). Вы можете легко отобразить сводную статистику в виде графика. Все шаги продвигаются внутрь конвейера до тех пор, пока график не будет нанесен на график. Кажется более наглядным увидеть средний хоумран по лиге с гистограммой. Приведенный ниже код демонстрирует возможности объединения group_by (), summarize () и ggplot () вместе.

Вы сделаете следующий шаг:

• Шаг 1. Выберите фрейм данных
• Шаг 2. Сгруппируйте данные
• Шаг 3. Обобщите данные
• Шаг 4. Постройте сводную статистику

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()"))

Выход:

Функция в summarize ()

Глагол summarize () совместим почти со всеми функциями в R. Вот краткий список полезных функций, которые вы можете использовать вместе с summarize ():

Мы увидим примеры для всех функций таблицы 1.

Основная функция

В предыдущем примере вы не сохранили итоговую статистику во фрейме данных.

Вы можете выполнить два шага, чтобы создать рамку даты из сводки:

• Шаг 1. Сохраните фрейм данных для дальнейшего использования.
• Шаг 2. Используйте набор данных для создания линейного графика

Шаг 1) Вы вычисляете среднее количество игр за год.

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

Код Пояснение

• Сводная статистика набора данных ватина хранится во фрейме данных ex1.

Выход:

## # 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

Шаг 2) Вы показываете сводную статистику в виде линейного графика и видите тенденцию.

# 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"))

Выход:

Подмножество

Функция summarize () совместима с подмножеством.

## 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]))

Код Пояснение

• median_at_bat_league_no_zero = median (AB [AB> 0]): переменная AB содержит партии 0. Вы можете сравнить медианное значение переменной at bat с 0 и без него.

Выход:

## # 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

Сумма

Еще одна полезная функция для агрегирования переменной - sum ().

Вы можете проверить, в каких лигах больше хоумранов.

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

Выход:

## # 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

Стандартное отклонение

Разброс данных вычисляется со стандартным отклонением или sd () в R.

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

Выход:

## # 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

Существует много неравенства в количестве хоумрунов, выполняемых каждой командой.

Минимум и максимум

Вы можете получить доступ к минимуму и максимуму вектора с помощью функций min () и max ().

Приведенный ниже код возвращает наименьшее и наибольшее количество игр за сезон, сыгранных игроком.

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

Выход:

## # 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

Считать

Подсчет наблюдений по группам - всегда хорошая идея. С помощью R вы можете агрегировать количество вхождений с помощью n ().

Например, приведенный ниже код вычисляет количество лет, сыгранных каждым игроком.

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

Выход:

## # 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

В общем и целом

Вы можете выбрать первую, последнюю или n-ю позицию в группе.

Например, вы можете найти первый и последний год каждого игрока.

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

Выход:

## # 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-е наблюдение

Функция nth () дополняет first () и last (). Вы можете получить доступ к n-му наблюдению в группе с возвращаемым индексом.

Например, вы можете отфильтровать только второй год, в течение которого команда играла.

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

Выход:

## # 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

Отличное количество наблюдений

Функция n () возвращает количество наблюдений в текущей группе. Замкнутой функцией для n () является n_distinct (), которая подсчитывает количество уникальных значений.

В следующем примере вы складываете общее количество игроков, набранных командой за все периоды.

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

Код Пояснение

• group_by (teamID): Группа по годам и командам
• summarize (number_player = n_distinct (playerID)): подсчитать уникальное количество игроков по команде
• организовать (desc (number_player)): отсортировать данные по количеству игроков

Выход:

## # 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

Несколько групп

Сводная статистика может быть реализована среди нескольких групп.

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

Код Пояснение

• group_by (yearID, teamID): Группа по годам и командам
• summarize (mean_games = mean (G)): Суммируйте количество игроков, играющих в игру.
• организовать (desc (teamID, yearID)): сортировать данные по команде и году

Выход:

## # 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 

Фильтр

Прежде чем вы намереваетесь выполнить операцию, вы можете отфильтровать набор данных. Набор данных начинается в 1871 году, и для анализа не нужны годы до 1980 года.

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

Код Пояснение

• filter (yearID> 1980): отфильтруйте данные, чтобы отобразить только соответствующие годы (т.е. после 1980 г.)
• group_by (yearID): Группа по годам
• summarize (mean_game_year = mean (G)): суммировать данные

Выход:

## # 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

Разгруппировать

И последнее, но не менее важное: вам нужно удалить группировку, прежде чем вы захотите изменить уровень вычислений.

# 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))

Код Пояснение

• фильтр (HR> 0): Исключить нулевой возврат
• group_by (playerID): группа по игроку
• summarize (average_HR_game = sum (HR) / sum (G)): вычислить среднее домашнее ранение по игроку
• ungroup (): удалить группировку
• summarize (total_average_homerun = mean (average_HR_game)): суммировать данные

Выход:

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

Резюме

Если вы хотите вернуть сводку по группе, вы можете использовать:

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

вам нужно разгруппировать данные с помощью:

ungroup(df) 

В таблице ниже приведены функции, которые вы изучили с помощью 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))