R Aggregatfunktion: Sammenfat & Group_by () Eksempel

Oversigt over en variabel er vigtig for at have en idé om dataene. Selvom opsummering af en variabel efter gruppe giver bedre information om distributionen af ​​dataene.

I denne vejledning lærer du, hvordan du opsummerer et datasæt efter gruppe med dplyr-biblioteket.

I denne vejledning lærer du

• Sammenfatte()
• Group_by vs ingen group_by
• Funktion i opsummer ()
• Grundlæggende funktion
• Underindstilling
• Sum
• Standardafvigelse
• Minimum og maksimum
• Tælle
• Første og sidste
• 9. observation
• Flere grupper
• Filter
• Fjern gruppe

Til denne tutorial bruger du batting-datasættet. Det originale datasæt indeholder 102816 observationer og 22 variabler. Du bruger kun 20 procent af dette datasæt og bruger følgende variabler:

• playerID: Player ID-kode. Faktor
• yearID: År. Faktor
• teamID: Team. faktor
• LGID: Liga. Faktor: AA AL FL NL PL UA
• AB: Ved flagermus. Numerisk
• G: Spil: antal spil fra en spiller. Numerisk
• R: Kører. Numerisk
• HR: Homeruns. Numerisk
• SH: Offer rammer. Numerisk

Inden du udfører en oversigt, skal du gøre følgende for at forberede dataene:

• Trin 1: Importer dataene
• Trin 2: Vælg de relevante variabler
• Trin 3: Sorter dataene

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)

En god praksis, når du importerer et datasæt, er at bruge funktionen glimpse () til at få en idé om datasættets struktur.

# Structure of the dataglimpse(data)

Produktion:

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,… 

Sammenfatte()

Syntaksen for summarize () er grundlæggende og i overensstemmelse med de andre verb, der er inkluderet i dplyr-biblioteket.

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

Se koden nedenfor:

summarise(data, mean_run =mean(R))

Kode Forklaring

• opsummer (data, middel_løb = middelværdi (R)): Opretter en variabel med navnet gennemsnit_løb, som er gennemsnittet af den kolonnekørsel, der er udført fra datasættets data.

Produktion:

## mean_run## 1 19.20114

Du kan tilføje så mange variabler, som du vil. Du returnerer det gennemsnitlige spillede antal spil og det gennemsnitlige antal hits.

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

Kode Forklaring

• middel_SH = middelværdi (SH, na.rm = SAND): Sammenfat en anden variabel. Du indstiller na.rm = SAND, fordi kolonnen SH indeholder manglende observationer.

Produktion:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs ingen group_by

Funktionen summerise () uden group_by () giver ingen mening. Det skaber sammenfattende statistik efter gruppe. Biblioteket dplyr anvender automatisk en funktion på den gruppe, du har sendt inde i verbet group_by.

Bemærk, at group_by fungerer perfekt med alle de andre verber (dvs. mutere (), filter (), arrangere (), ...).

Det er praktisk at bruge rørledningsoperatøren, når du har mere end et trin. Du kan beregne den gennemsnitlige homerun efter baseball liga.

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

Kode Forklaring

• data: Datasæt, der bruges til at konstruere den sammenfattende statistik
• group_by (lgID): Beregn resuméet ved at gruppere variablen `lgID
• opsummer (middel_løb = middelværdi (HR)): Beregn den gennemsnitlige homerun

Produktion:

### 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

Røroperatøren arbejder også med ggplot (). Du kan nemt vise oversigtsstatistikken med en graf. Alle trin skubbes inde i rørledningen, indtil grapen er plottet. Det virker mere visuelt at se den gennemsnitlige homerun efter liga med en bjælke. Koden nedenfor viser styrken ved at kombinere group_by (), summarize () og ggplot () sammen.

Du udfører følgende trin:

• Trin 1: Vælg dataramme
• Trin 2: Gruppér data
• Trin 3: Sammenfat dataene
• Trin 4: Plot oversigtsstatistikken

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()"))

Produktion:

Funktion i opsummer ()

Verbet opsummer () er kompatibelt med næsten alle funktionerne i R. Her er en kort liste over nyttige funktioner, du kan bruge sammen med opsummer ():

Vi vil se eksempler på alle funktioner i tabel 1.

Grundlæggende funktion

I det foregående eksempel lagrede du ikke oversigtsstatistikken i en dataramme.

Du kan fortsætte i to trin for at generere en datoramme ud fra et resumé:

• Trin 1: Gem datarammen til videre brug
• Trin 2: Brug datasættet til at oprette et linjediagram

Trin 1) Du beregner det gennemsnitlige antal spil spillet efter år.

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

Kode Forklaring

• Resuméstatistikken for slagdatasættet er gemt i datarammen ex1.

Produktion:

## # 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

Trin 2) Du viser oversigtsstatistikken med et linjediagram og ser tendensen.

# 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"))

Produktion:

Underindstilling

Funktionen opsummer () er kompatibel med underindstilling.

## 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]))

Kode Forklaring

• median_at_bat_league_no_zero = median (AB [AB> 0]): Variablen AB indeholder masser af 0. Du kan sammenligne medianen for bat- variablen med og uden 0.

Produktion:

## # 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

Sum

En anden nyttig funktion til at samle variablen er sum ().

Du kan kontrollere, hvilke ligaer der er flere homeruns.

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

Produktion:

## # 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

Standardafvigelse

Spredning i dataene beregnes med standardafvigelsen eller sd () i R.

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

Produktion:

## # 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

Der er masser af ulighed i mængden af ​​homerun udført af hvert hold.

Minimum og maksimum

Du kan få adgang til minimum og maksimum for en vektor med funktionen min () og max ().

Koden nedenfor returnerer det laveste og højeste antal spil i en sæson spillet af en spiller.

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

Produktion:

## # 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

Tælle

Tæl observationer efter gruppe er altid en god idé. Med R kan du samle antallet af forekomst med n ().

For eksempel beregner koden nedenfor antallet af år, der spilles af hver spiller.

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

Produktion:

## # 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

Første og sidste

Du kan vælge den første, sidste eller nte position for en gruppe.

For eksempel kan du finde det første og sidste år for hver spiller.

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

Produktion:

## # 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

9. observation

Skrifttypen nth () supplerer første () og sidste (). Du kan få adgang til den niende observation i en gruppe med indekset, der skal returneres.

For eksempel kan du kun filtrere det andet år, et hold spillede.

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

Produktion:

## # 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

Tydeligt antal observationer

Funktionen n () returnerer antallet af observationer i en aktuel gruppe. En lukket funktion til n () er n_distinct (), der tæller antallet af unikke værdier.

I det næste eksempel tilføjer du det samlede antal spillere, som et hold rekrutterede i alle perioder.

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

Kode Forklaring

• group_by (teamID): Gruppe efter år og team
• sammenfatte (number_player = n_distinct (playerID)): Tæl det forskellige antal spillere efter hold
• arrangere (desc (number_player)): Sorter dataene efter antallet af afspiller

Produktion:

## # 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

Flere grupper

En sammenfattende statistik kan realiseres blandt flere grupper.

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

Kode Forklaring

• group_by (yearID, teamID): Gruppe efter år og team
• opsummer (middel_spil = middelværdi (G)): Opsummer antallet af spillere
• arrangere (desc (teamID, yearID)): Sorter dataene efter team og år

Produktion:

## # 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 

Filter

Før du agter at udføre en operation, kan du filtrere datasættet. Datasættet starter i 1871, og analysen har ikke brug for årene før 1980.

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

Kode Forklaring

• filter (årID> 1980): Filtrer dataene for kun at vise de relevante år (dvs. efter 1980)
• group_by (yearID): Gruppe efter år
• opsummer (middel_spil_år = middelværdi (G)): Sammenfat dataene

Produktion:

## # 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

Fjern gruppe

Sidst men ikke mindst skal du fjerne grupperingen, før du vil ændre beregningsniveauet.

# 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))

Kode Forklaring

• filter (HR> 0): Ekskluder nul homerun
• group_by (playerID): gruppe for spiller
• opsummer (gennemsnit_HR_game = sum (HR) / sum (G)): Beregn gennemsnitlig homerun efter spiller
• fjern gruppe (): fjern grupperingen
• opsummer (total_gennemsnit_homerun = gennemsnit (gennemsnit_HR_spil)): Sammenfat dataene

Produktion:

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

Resumé

Når du vil returnere et resumé efter gruppe, kan du bruge:

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

du skal opgruppe dataene med:

ungroup(df) 

Tabellen nedenfor opsummerer den funktion, du har lært med, opsummer ()

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))