R Aggregatfunktion: Sammanfatta & Group_by () Exempel

Sammanfattning av en variabel är viktig för att få en uppfattning om data. Att sammanfatta en variabel per grupp ger bättre information om distributionen av data.

I den här självstudien lär du dig hur man sammanfattar en dataset per grupp med dplyr-biblioteket.

I den här handledningen lär du dig

• Sammanfatta ()
• Group_by vs ingen group_by
• Funktion i sammanfatta ()
• Grundläggande funktion
• Underdelning
• Belopp
• Standardavvikelse
• Lägsta och högsta
• Räkna
• Först och sist
• nth observation
• Flera grupper
• Filtrera
• Avgruppera

För den här handledningen använder du batting dataset. Den ursprungliga datasetet innehåller 102816 observationer och 22 variabler. Du kommer bara att använda 20 procent av denna dataset och använda följande variabler:

• playerID: Spelar-ID-kod. Faktor
• yearID: Year. Faktor
• teamID: Team. faktor
• LGID: League. Faktor: AA AL FL NL PL UA
• AB: På fladdermöss. Numerisk
• G: Spel: antal spel av en spelare. Numerisk
• R: Kör. Numerisk
• HR: Homeruns. Numerisk
• SH: Offer träffar. Numerisk

Innan du utför en sammanfattning gör du följande steg för att förbereda data:

• Steg 1: Importera data
• Steg 2: Välj relevanta variabler
• Steg 3: Sortera data

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 praxis när du importerar en dataset är att använda funktionen glimpse () för att få en uppfattning om datastrukturen.

# 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,… 

Sammanfatta ()

Syntaxen för sammanfatta () är grundläggande och överensstämmer med andra verb som ingår 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

Titta på koden nedan:

summarise(data, mean_run =mean(R))

Kodförklaring

• sammanfatta (data, mean_run = medelvärde (R)): Skapar en variabel med namnet mean_run som är medelvärdet av kolumnkörningen från datasetdatan.

Produktion:

## mean_run## 1 19.20114

Du kan lägga till så många variabler som du vill. Du returnerar det genomsnittliga spelet som spelats och de genomsnittliga offren träffar.

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

Kodförklaring

• medel_SH = medelvärde (SH, na.rm = SANT): Sammanfatta en andra variabel. Du ställer in na.rm = SANT eftersom kolumnen SH innehåller saknade observationer.

Produktion:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs ingen group_by

Funktionen summerise () utan group_by () är inte meningsfull. Det skapar sammanfattningsstatistik efter grupp. Biblioteket dplyr tillämpar en funktion automatiskt på den grupp du skickade in i verbet group_by.

Observera att group_by fungerar perfekt med alla andra verb (dvs. mutera (), filtrera (), ordna (), ...).

Det är bekvämt att använda rörledningsoperatören när du har mer än ett steg. Du kan beräkna den genomsnittliga homerunen efter basebolliga.

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

Kodförklaring

• data: Dataset som används för att konstruera sammanfattningsstatistiken
• group_by (lgID): Beräkna sammanfattningen genom att gruppera variabeln `lgID
• sammanfatta (medelvärde = medelvärde (HR)): Beräkna genomsnittlig 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

Röroperatören arbetar också med ggplot (). Du kan enkelt visa sammanfattningsstatistiken med ett diagram. Alla steg skjuts in i rörledningen tills grapen är tomt. Det verkar mer visuellt att se den genomsnittliga homerunen efter liga med en bar char. Koden nedan visar kraften i att kombinera group_by (), summera () och ggplot () tillsammans.

Du kommer att göra följande steg:

• Steg 1: Välj dataram
• Steg 2: Gruppdata
• Steg 3: Sammanfatta data
• Steg 4: Plotta sammanfattningsstatistiken

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 sammanfatta ()

Verbet sammanfatta () är kompatibelt med nästan alla funktioner i R. Här är en kort lista över användbara funktioner som du kan använda tillsammans med sammanfatta ():

Vi ser exempel på alla funktioner i tabell 1.

Grundläggande funktion

I föregående exempel lagrade du inte sammanfattningsstatistiken i en dataram.

Du kan fortsätta i två steg för att skapa en datumram från en sammanfattning:

• Steg 1: Lagra dataramen för vidare användning
• Steg 2: Använd datauppsättningen för att skapa en linjediagram

Steg 1) Du beräknar det genomsnittliga antalet spel som spelas per år.

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

Kodförklaring

• Sammanfattningsstatistiken för batting dataset lagras i dataramen 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

Steg 2) Du visar sammanfattningsstatistiken med en linjediagram och ser trenden.

# 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:

Underdelning

Funktionen sammanfatta () är kompatibel med delmängd.

## 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]))

Kodförklaring

• median_at_bat_league_no_zero = median (AB [AB> 0]): Variabeln AB innehåller massor av 0. Du kan jämföra medianen för bat- variabeln med och utan 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

Belopp

En annan användbar funktion för att aggregera variabeln är sum ().

Du kan kontrollera vilka ligor som har fler 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

Standardavvikelse

Spridning i data beräknas med standardavvikelsen 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

Det finns massor av ojämlikhet i mängden homerun som görs av varje lag.

Lägsta och högsta

Du kan komma åt minsta och högsta av en vektor med funktionen min () och max ().

Koden nedan returnerar det lägsta och högsta antalet spel under en säsong som spelas av en spelare.

# 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

Räkna

Räkna observationer per grupp är alltid en bra idé. Med R kan du sammanställa antalet förekomster med n ().

Till exempel beräknar koden nedan antalet spelade år av varje spelare.

# 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

Först och sist

Du kan välja gruppens första, sista eller nionde position.

Till exempel kan du hitta första och sista året för varje spelare.

# 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

nth observation

Teckensnittet nth () kompletterar första () och sista (). Du kan komma åt den nionde observationen i en grupp med indexet som ska returneras.

Du kan till exempel bara filtrera det andra året som ett lag spelade.

# 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

Distinkt antal observationer

Funktionen n () returnerar antalet observationer i en aktuell grupp. En stängd funktion till n () är n_distinct (), som räknar antalet unika värden.

I nästa exempel lägger du till det totala antalet spelare som ett lag rekryterat under alla perioder.

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

Kodförklaring

• group_by (teamID): Gruppera efter år och team
• sammanfatta (number_player = n_distinct (playerID)): Räkna det distinkta antalet spelare efter lag
• arrangera (desc (number_player)): Sortera data efter antal spelare

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

Flera grupper

En sammanfattande statistik kan realiseras bland flera grupper.

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

Kodförklaring

• group_by (yearID, teamID): Grupp efter år och team
• summera (medelvärde = medelvärde (G)): Sammanfatta antalet spelare
• arrangera (desc (teamID, yearID)): Sortera uppgifterna efter team och 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 

Filtrera

Innan du tänker göra en operation kan du filtrera datasetet. Datauppsättningen startar 1871 och analysen behöver inte åren före 1980.

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

Kodförklaring

• filter (årID> 1980): Filtrera data för att endast visa relevanta år (dvs. efter 1980)
• group_by (yearID): Grupp efter år
• sammanfatta (medel_spel_år = medelvärde (G)): Sammanfatta uppgifterna

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

Avgruppera

Sist men inte minst måste du ta bort grupperingen innan du vill ändra beräkningsnivån.

# 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))

Kodförklaring

• filter (HR> 0): Uteslut noll homerun
• group_by (playerID): grupp för spelare
• sammanfatta (genomsnitt_HR_spel = summa (HR) / summa (G)): Beräkna genomsnittlig homerun efter spelare
• ungroup (): ta bort grupperingen
• sammanfatta (total_medelvärde_homerun = medelvärde (medel_HR_spel)): Sammanfatta uppgifterna

Produktion:

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

Sammanfattning

När du vill returnera en sammanfattning per grupp kan du använda:

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

du måste avgruppera data med:

ungroup(df) 

Tabellen nedan sammanfattar funktionen du lärde dig med summera ()

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))