Función agregada de R: ejemplo de resumen y grupo_by()
evelyn clarke
El resumen de una variable es importante para tener una idea sobre los datos. Aunque resumir una variable por grupo da mejor información sobre la distribución de los datos.
En este tutorial, aprenderá cómo resumir un conjunto de datos por grupo con la biblioteca dplyr.
Para este tutorial, utilizará el conjunto de datos de bateo. El conjunto de datos original contiene 102816 observaciones y 22 variables. Solo utilizará el 20 por ciento de este conjunto de datos y utilizará las siguientes variables:
- playerID: código de identificación del jugador. Factor
- IDaño: Año. Factor
- ID de equipo: Equipo. factor
- lgID: Liga. Factor: AA AL FL NL PL UA
- AB: Al bate. Numérico
- G: Juegos: número de juegos de un jugador. Numérico
- R: Corre. Numérico
- HR: Jonrones. Numérico
- SH: Golpes de sacrificio. Numérico
Antes de realizar el resumen, deberá realizar los siguientes pasos para preparar los datos:
- Paso 1: importar los datos
- Paso 2: seleccione las variables relevantes
- Paso 3: ordenar los datos
library(dplyr)
# Step 1
data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") % > %
# Step 2
select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) % > %
# Step 3
arrange(playerID, teamID, yearID)
Una buena práctica al importar un conjunto de datos es utilizar la función glimpse() para tener una idea sobre la estructura del conjunto de datos.
# Structure of the data glimpse(data)
Salida:
Observations: 104,324 Variables: 9 $ playerID <fctr> aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a... $ yearID <int> 2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196... $ AB <int> 1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495, ... $ teamID <fctr> ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A... $ lgID <fctr> NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL, ... $ G <int> 33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15... $ R <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75... $ HR <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40... $ SH <int> 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6, ...
Resumir()
La sintaxis de summarise() es básica y coherente con los demás verbos incluidos en la biblioteca dplyr.
summarise(df, variable_name=condition) arguments: - `df`: Dataset used to construct the summary statistics - `variable_name=condition`: Formula to create the new variable
Mira el código a continuación:
summarise(data, mean_run =mean(R))
Explicación del código
- resumen (datos, media_ejecución = media (R)): crea una variable llamada media_ejecución que es el promedio de la columna ejecutada a partir de los datos del conjunto de datos.
Salida:
## mean_run ## 1 19.20114
Puedes agregar tantas variables como quieras. Devuelves el promedio de juegos jugados y el promedio de hits de sacrificio.
summarise(data, mean_games = mean(G),
mean_SH = mean(SH, na.rm = TRUE))
Explicación del código
- mean_SH = mean(SH, na.rm = TRUE): resume una segunda variable. Estableciste na.rm = TRUE porque la columna SH contiene observaciones faltantes.
Salida:
## mean_games mean_SH ## 1 51.98361 2.340085
Group_by vs no group_by
La función summerise() sin group_by() no tiene ningún sentido. Crea estadísticas resumidas por grupo. La biblioteca dplyr aplica una función automáticamente al grupo que pasaste dentro del verbo group_by.
Tenga en cuenta que group_by funciona perfectamente con todos los demás verbos (es decir, mutar(), filtrar(), organizar(),…).
Es conveniente utilizar el operador de tubería cuando se tiene más de un paso. Puedes calcular el jonrón promedio por liga de béisbol.
data % > % group_by(lgID) % > % summarise(mean_run = mean(HR))
Explicación del código
- datos: conjunto de datos utilizado para construir las estadísticas de resumen
- group_by(lgID): Calcula el resumen agrupando la variable `lgID
- resumir (mean_run = mean (HR)): Calcula el jonrón promedio
Salida:
## # A tibble: 7 x 2 ## lgID mean_run ## <fctr> <dbl> ## 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 <NA> 0.2867133
El operador de tubería también funciona con ggplot(). Puede mostrar fácilmente la estadística resumida con un gráfico. Todos los pasos se empujan dentro de la tubería hasta que se traza el grap. Parece más visual ver el jonrón promedio por liga con una barra. El siguiente código demuestra el poder de combinar group_by(), summarise() y ggplot() juntos.
Realizarás el siguiente paso:
- Paso 1: seleccione el marco de datos
- Paso 2: datos del grupo
- Paso 3: resumir los datos
- Paso 4: Trazar las estadísticas resumidas
library(ggplot2)
# Step 1
data % > %
#Step 2
group_by(lgID) % > %
#Step 3
summarise(mean_home_run = mean(HR)) % > %
#Step 4
ggplot(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()"
)
)
Salida:
Función en resumen()
El verbo resumir() es compatible con casi todas las funciones en R. Aquí hay una breve lista de funciones útiles que puedes usar junto con resumir():
| Objetivo | Función | Descripción |
|---|---|---|
| Basic | media() | Promedio del vector x |
| mediana() | Mediana del vector x | |
| sum () | Suma del vector x | |
| variación | Dakota del Sur() | desviación estándar del vector x |
| RIQ() | Intercuartil del vector x | |
| Gama de Colores | min () | Mínimo del vector x |
| max () | Máximo del vector x | |
| cuantil() | Cuantil del vector x | |
| Cargo | primero() | Usar con group_by() Primera observación del grupo |
| último() | Úselo con group_by(). Última observación del grupo. | |
| enésimo() | Úselo con group_by(). enésima observación del grupo | |
| Contar | norte() | Úselo con group_by(). Cuente el número de filas |
| n_distinto() | Úselo con group_by(). Cuente el número de observaciones distintas. |
Veremos ejemplos para cada función de la tabla 1.
Función básica
En el ejemplo anterior, no almacenó la estadística resumida en un marco de datos.
Puede proceder en dos pasos para generar un marco de fechas a partir de un resumen:
- Paso 1: almacene el marco de datos para su uso posterior
- Paso 2: use el conjunto de datos para crear un diagrama de líneas
Paso 1) Calcula el número promedio de juegos jugados por año.
## Mean ex1 <- data % > % group_by(yearID) % > % summarise(mean_game_year = mean(G)) head(ex1)
Explicación del código
- La estadística resumida del conjunto de datos de bateo se almacena en el marco de datos ex1.
Salida:
## # A tibble: 6 x 2 ## yearID mean_game_year ## <int> <dbl> ## 1 1871 23.42308 ## 2 1872 18.37931 ## 3 1873 25.61538 ## 4 1874 39.05263 ## 5 1875 28.39535 ## 6 1876 35.90625
Paso 2) Muestra la estadística resumida con un gráfico de líneas y ve la tendencia.
# Plot the graph
ggplot(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"
)
)
Salida:
Subconjunto
La función resumen() es compatible con el subconjunto.
## Subsetting + Median data % > % group_by(lgID) % > % summarise(median_at_bat_league = median(AB), #Compute the median without the zero median_at_bat_league_no_zero = median(AB[AB > 0]))
Explicación del código
- median_at_bat_league_no_zero = mediana(AB[AB > 0]): La variable AB contiene muchos 0. Puedes comparar la mediana de la al bate variable con y sin 0.
Salida:
## # A tibble: 7 x 3 ## lgID median_at_bat_league median_at_bat_league_no_zero ## <fctr> <dbl> <dbl> ## 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 <NA> 101 101
Suma
Otra función útil para agregar la variable es sum().
Puedes comprobar qué ligas tienen más jonrones.
## Sum data % > % group_by(lgID) % > % summarise(sum_homerun_league = sum(HR))
Salida:
## # A tibble: 7 x 2 ## lgID sum_homerun_league ## <fctr> <int> ## 1 AA 341 ## 2 AL 29426 ## 3 FL 130 ## 4 NL 29817 ## 5 PL 98 ## 6 UA 46 ## 7 <NA> 41
Desviación estándar
La dispersión de los datos se calcula con la desviación estándar o sd() en R.
# Spread data % > % group_by(teamID) % > % summarise(sd_at_bat_league = sd(HR))
Salida:
## # A tibble: 148 x 2 ## teamID sd_at_bat_league ## <fctr> <dbl> ## 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
Hay mucha desigualdad en la cantidad de jonrones realizados por cada equipo.
mínimo y máximo
Puedes acceder al mínimo y máximo de un vector con las funciones min() y max().
El siguiente código devuelve el número más bajo y más alto de juegos en una temporada jugados por un jugador.
# Min and max
data % > %
group_by(playerID) % > %
summarise(min_G = min(G),
max_G = max(G))
Salida:
## # A tibble: 10,395 x 3 ## playerID min_G max_G ## <fctr> <int> ## 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
Contar
Contar las observaciones por grupo siempre es una buena idea. Con R, puede agregar el número de ocurrencias con n().
Por ejemplo, el siguiente código calcula el número de años jugados por cada jugador.
# count observations data % > % group_by(playerID) % > % summarise(number_year = n()) % > % arrange(desc(number_year))
Salida:
## # A tibble: 10,395 x 2 ## playerID number_year ## <fctr> <int> ## 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
Primero y último
Puede seleccionar la primera, última o enésima posición de un grupo.
Por ejemplo, puedes encontrar el primer y último año de cada jugador.
# first and last data % > % group_by(playerID) % > % summarise(first_appearance = first(yearID), last_appearance = last(yearID))
Salida:
## # A tibble: 10,395 x 3 ## playerID first_appearance last_appearance ## <fctr> <int> <int> ## 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
enésima observación
La función nth() es complementaria de first() y last(). Puede acceder a la enésima observación dentro de un grupo con el índice a devolver.
Por ejemplo, puedes filtrar solo el segundo año que jugó un equipo.
# nth data % > % group_by(teamID) % > % summarise(second_game = nth(yearID, 2)) % > % arrange(second_game)
Salida:
## # A tibble: 148 x 2 ## teamID second_game ## <fctr> <int> ## 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
Número distinto de observación
La función n() devuelve el número de observaciones en un grupo actual. Una función cerrada para n() es n_distinct(), que cuenta el número de valores únicos.
En el siguiente ejemplo, sumas el total de jugadores que un equipo reclutó durante todos los períodos.
# distinct values data % > % group_by(teamID) % > % summarise(number_player = n_distinct(playerID)) % > % arrange(desc(number_player))
Explicación del código
- group_by(teamID): Grupo por año y equipo
- resumir(número_jugador = n_distinto(playerID)): Cuente el número distinto de jugadores por equipo
- organizar (desc (número_jugador)): Ordena los datos por el número de jugador
Salida:
## # A tibble: 148 x 2 ## teamID number_player ## <fctr> <int> ## 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
Múltiples grupos
Se puede realizar una estadística resumida entre varios grupos.
# Multiple groups data % > % group_by(yearID, teamID) % > % summarise(mean_games = mean(G)) % > % arrange(desc(teamID, yearID))
Explicación del código
- group_by(yearID, teamID): Grupo por año y equipo
- resumir (mean_games = mean (G)): resume el número de jugadores del juego
- organizar (desc (teamID, añoID)): Ordena los datos por equipo y año
Salida:
## # A tibble: 2,829 x 3 ## # Groups: yearID [146] ## yearID teamID mean_games ## <int> <fctr> <dbl> ## 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
Filtrar
Antes de intentar realizar una operación, puede filtrar el conjunto de datos. El conjunto de datos comienza en 1871 y el análisis no necesita los años anteriores a 1980.
# Filter data % > % filter(yearID > 1980) % > % group_by(yearID) % > % summarise(mean_game_year = mean(G))
Explicación del código
- filter(yearID > 1980): filtra los datos para mostrar solo los años relevantes (es decir, después de 1980)
- group_by(yearID): Grupo por año
- resumir (mean_game_year = media (G)): resume los datos
Salida:
## # A tibble: 36 x 2 ## yearID mean_game_year ## <int> <dbl> ## 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
Desagrupar
Por último, pero no menos importante, debe eliminar la agrupación antes de querer cambiar el nivel de cálculo.
# Ungroup the data data % > % filter(HR > 0) % > % group_by(playerID) % > % summarise(average_HR_game = sum(HR) / sum(G)) % > % ungroup() % > % summarise(total_average_homerun = mean(average_HR_game))
Explicación del código
- filtro (HR >0): excluye el jonrón cero
- group_by(playerID): grupo por jugador
- resumir (average_HR_game = suma (HR)/suma (G)): Calcula el jonrón promedio por jugador
- desagrupar(): eliminar la agrupación
- resumir (total_average_homerun = mean (average_HR_game)): resume los datos
Salida:
## # A tibble: 1 x 1 ## total_average_homerun ## <dbl> ## 1 0.06882226
Resum
Cuando desee devolver un resumen por grupo, puede utilizar:
# group by X1, X2, X3 group(df, X1, X2, X3)
necesitas desagrupar los datos con:
ungroup(df)
La siguiente tabla resume la función que aprendió con resumen()
| Método | Función | Código |
|---|---|---|
| mean | mean |
summarise(df,mean_x1 = mean(x1)) |
| media | media |
summarise(df,median_x1 = median(x1)) |
| suma | suma |
summarise(df,sum_x1 = sum(x1)) |
| desviación estándar | sd |
summarise(df,sd_x1 = sd(x1)) |
| intercuartil | RIC |
summarise(df,interquartile_x1 = IQR(x1)) |
| mínimo | min |
summarise(df,minimum_x1 = min(x1)) |
| máximas | max |
summarise(df,maximum_x1 = max(x1)) |
| cuantil | cuantil |
summarise(df,quantile_x1 = quantile(x1)) |
| primera observación | first |
summarise(df,first_x1 = first(x1)) |
| última observación | pasado |
summarise(df,last_x1 = last(x1)) |
| enésima observación | nth |
summarise(df,nth_x1 = nth(x1, 2)) |
| número de ocurrencia | n |
summarise(df,n_x1 = n(x1)) |
| número de ocurrencias distintas | n_distinto |
summarise(df,n_distinct _x1 = n_distinct(x1)) |
