आर एग्रीगेट फ़ंक्शन: सारांश और ग्रुप_बाय() उदाहरण
एवलिन क्लार्क
डेटा के बारे में जानकारी प्राप्त करने के लिए चर का सारांश महत्वपूर्ण है। हालाँकि, समूह द्वारा चर का सारांश डेटा के वितरण के बारे में बेहतर जानकारी देता है।
इस ट्यूटोरियल में, आप सीखेंगे कि dplyr लाइब्रेरी के साथ समूह द्वारा डेटासेट को कैसे सारांशित किया जाए।
इस ट्यूटोरियल के लिए, आप बैटिंग डेटासेट का उपयोग करेंगे। मूल डेटासेट में 102816 अवलोकन और 22 चर शामिल हैं। आप इस डेटासेट का केवल 20 प्रतिशत उपयोग करेंगे और निम्नलिखित चर का उपयोग करेंगे:
- playerID: खिलाड़ी आईडी कोड. फ़ैक्टर
- yearID: वर्ष. फ़ैक्टर
- टीमआईडी: टीम. फैक्टर
- एलजीआईडी: लीग। कारक: एए अल एफएल एनएल पीएल यूए
- एबी: बल्लेबाजी पर। संख्यात्मक
- G: खेल: एक खिलाड़ी द्वारा खेले गए खेलों की संख्या। संख्यात्मक
- आर: रन. संख्यात्मक
- एचआर: होमरन्स। संख्यात्मक
- SH: बलिदान हिट। संख्यात्मक
सारांश तैयार करने से पहले, आप डेटा तैयार करने के लिए निम्नलिखित चरण अपनाएंगे:
- चरण 1: डेटा आयात करें
- चरण 2: प्रासंगिक चर का चयन करें
- चरण 3: डेटा को सॉर्ट करें
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)
डेटासेट आयात करते समय एक अच्छा अभ्यास यह है कि डेटासेट की संरचना के बारे में विचार प्राप्त करने के लिए झलक() फ़ंक्शन का उपयोग करें।
# Structure of the data glimpse(data)
आउटपुट:
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, ...
संक्षेप()
summarise() का वाक्यविन्यास बुनियादी है और dplyr लाइब्रेरी में शामिल अन्य क्रियाओं के अनुरूप है।
summarise(df, variable_name=condition) arguments: - `df`: Dataset used to construct the summary statistics - `variable_name=condition`: Formula to create the new variable
नीचे दिए गए कोड को देखें:
summarise(data, mean_run =mean(R))
कोड स्पष्टीकरण
- summarise(data, mean_run = mean(R)): mean_run नामक एक चर बनाता है जो डेटासेट डेटा से चलाए गए कॉलम का औसत है।
आउटपुट:
## mean_run ## 1 19.20114
आप जितने चाहें उतने चर जोड़ सकते हैं। आप खेले गए औसत खेल और औसत बलिदान हिट लौटाते हैं।
summarise(data, mean_games = mean(G),
mean_SH = mean(SH, na.rm = TRUE))
कोड स्पष्टीकरण
- mean_SH = mean(SH, na.rm = TRUE): दूसरे चर का सारांश बनाएँ। आपने na.rm = TRUE सेट किया है क्योंकि SH कॉलम में कुछ अवलोकन गायब हैं।
आउटपुट:
## mean_games mean_SH ## 1 51.98361 2.340085
ग्रुप_बाय बनाम कोई ग्रुप_बाय नहीं
बिना group_by() के समराइज़() फ़ंक्शन का कोई मतलब नहीं बनता। यह समूह के अनुसार सारांश सांख्यिकी बनाता है। लाइब्रेरी दुत्कार क्रिया group_by के अंदर आपके द्वारा पारित समूह पर स्वचालित रूप से एक फ़ंक्शन लागू करता है।
ध्यान दें कि, group_by अन्य सभी क्रियाओं (अर्थात mutate(), filter(), arrange(), ...) के साथ पूरी तरह से काम करता है।
जब आपके पास एक से ज़्यादा चरण हों तो पाइपलाइन ऑपरेटर का इस्तेमाल करना सुविधाजनक होता है। आप बेसबॉल लीग के हिसाब से औसत होमरन की गणना कर सकते हैं।
data % > % group_by(lgID) % > % summarise(mean_run = mean(HR))
कोड स्पष्टीकरण
- डेटा: सारांश सांख्यिकी बनाने के लिए उपयोग किया जाने वाला डेटासेट
- group_by(lgID): चर `lgID` को समूहीकृत करके सारांश की गणना करें
- summarise(mean_run = mean(HR)): औसत होमरन की गणना करें
आउटपुट:
## # 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
पाइप ऑपरेटर ggplot() के साथ भी काम करता है। आप आसानी से सारांश सांख्यिकी को ग्राफ के साथ दिखा सकते हैं। जब तक ग्राफ प्लॉट नहीं हो जाता, तब तक सभी चरणों को पाइपलाइन के अंदर धकेल दिया जाता है। बार चार के साथ लीग द्वारा औसत होमरन देखना अधिक दृश्य लगता है। नीचे दिया गया कोड group_by(), summarise() और ggplot() को एक साथ संयोजित करने की शक्ति को प्रदर्शित करता है।
आप निम्नलिखित चरण अपनाएंगे:
- चरण 1: डेटा फ़्रेम चुनें
- चरण 2: डेटा समूहित करें
- चरण 3: डेटा का सारांश बनाएँ
- चरण 4: सारांश आँकड़े प्लॉट करें
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()"
)
)
आउटपुट:
summarise() में फ़ंक्शन
क्रिया summarise() R में लगभग सभी फ़ंक्शन के साथ संगत है। यहां उपयोगी फ़ंक्शन की एक छोटी सूची दी गई है, जिन्हें आप summarise() के साथ उपयोग कर सकते हैं:
| उद्देश्य | समारोह | विवरण |
|---|---|---|
| बुनियादी | अर्थ() | सदिश x का औसत |
| माध्यिका() | सदिश x का माध्यिका | |
| योग () | सदिश x का योग | |
| परिवर्तन | एसडी() | सदिश x का मानक विचलन |
| आईक्यूआर() | सदिश x का अंतरचतुर्थक | |
| रेंज | मिनट () | सदिश x का न्यूनतम मान |
| अधिकतम () | सदिश x का अधिकतम | |
| मात्रा() | सदिश x का क्वांटाइल | |
| पद | पहला() | group_by() के साथ प्रयोग करें समूह का पहला अवलोकन |
| अंतिम() | group_by() के साथ प्रयोग करें। समूह का अंतिम अवलोकन | |
| एनएचटी() | group_by() के साथ प्रयोग करें। समूह का nवाँ अवलोकन | |
| गिनती | एन() | group_by() के साथ प्रयोग करें। पंक्तियों की संख्या गिनें |
| n_विशिष्ट() | group_by() के साथ प्रयोग करें। अलग-अलग प्रेक्षणों की संख्या गिनें |
हम तालिका 1 के प्रत्येक फ़ंक्शन के उदाहरण देखेंगे।
बुनियादी काम
पिछले उदाहरण में, आपने सारांश सांख्यिकी को डेटा फ़्रेम में संग्रहीत नहीं किया था।
आप सारांश से दिनांक फ़्रेम बनाने के लिए दो चरणों में आगे बढ़ सकते हैं:
- चरण 1: आगे उपयोग के लिए डेटा फ़्रेम को संग्रहीत करें
- चरण 2: लाइन प्लॉट बनाने के लिए डेटासेट का उपयोग करें
चरण 1) आप प्रत्येक वर्ष खेले गए खेलों की औसत संख्या की गणना करते हैं।
## Mean ex1 <- data % > % group_by(yearID) % > % summarise(mean_game_year = mean(G)) head(ex1)
कोड स्पष्टीकरण
- बल्लेबाजी डेटासेट का सारांश सांख्यिकी डेटा फ्रेम ex1 में संग्रहीत किया जाता है।
आउटपुट:
## # 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
चरण 2) आप सारांश सांख्यिकी को एक रेखाचित्र के माध्यम से दिखाते हैं और प्रवृत्ति देखते हैं।
# 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"
)
)
आउटपुट:
सबसेटिंग
फ़ंक्शन summarise() सबसेटिंग के साथ संगत है।
## 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]))
कोड स्पष्टीकरण
- median_at_bat_league_no_zero = median(AB[AB > 0]): चर AB में 0 के बहुत सारे हैं। आप की माध्यिका की तुलना कर सकते हैं बल्ले पर 0 के साथ और बिना चर.
आउटपुट:
## # 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
राशि
चर को एकत्रित करने के लिए एक अन्य उपयोगी फ़ंक्शन sum() है।
आप यह देख सकते हैं कि किस लीग में अधिक होम रन हैं।
## Sum data % > % group_by(lgID) % > % summarise(sum_homerun_league = sum(HR))
आउटपुट:
## # 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
मानक विचलन
डेटा में प्रसार की गणना R में मानक विचलन या sd() के साथ की जाती है।
# Spread data % > % group_by(teamID) % > % summarise(sd_at_bat_league = sd(HR))
आउटपुट:
## # 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
प्रत्येक टीम द्वारा किये गए होमरून की मात्रा में बहुत असमानता है।
न्यूनतम और अधिकतम
आप min() और max() फ़ंक्शन के साथ किसी वेक्टर के न्यूनतम और अधिकतम मान तक पहुँच सकते हैं।
नीचे दिया गया कोड किसी खिलाड़ी द्वारा एक सत्र में खेले गए खेलों की न्यूनतम और अधिकतम संख्या बताता है।
# Min and max
data % > %
group_by(playerID) % > %
summarise(min_G = min(G),
max_G = max(G))
आउटपुट:
## # 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
गिनती
समूह के अनुसार अवलोकनों की गणना करना हमेशा एक अच्छा विचार है। R के साथ, आप n() के साथ घटनाओं की संख्या को एकत्रित कर सकते हैं।
उदाहरण के लिए, नीचे दिया गया कोड प्रत्येक खिलाड़ी द्वारा खेले गए वर्षों की संख्या की गणना करता है।
# count observations data % > % group_by(playerID) % > % summarise(number_year = n()) % > % arrange(desc(number_year))
आउटपुट:
## # 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
प्रथम और अंतिम
आप किसी समूह का प्रथम, अंतिम या nवां स्थान चुन सकते हैं।
उदाहरण के लिए, आप प्रत्येक खिलाड़ी का पहला और अंतिम वर्ष जान सकते हैं।
# first and last data % > % group_by(playerID) % > % summarise(first_appearance = first(yearID), last_appearance = last(yearID))
आउटपुट:
## # 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
nवां अवलोकन
फ़ंक्शन nth() first() और last() का पूरक है। आप इंडेक्स के साथ किसी समूह के भीतर nth अवलोकन तक पहुँच सकते हैं।
उदाहरण के लिए, आप केवल उस दूसरे वर्ष को फ़िल्टर कर सकते हैं जिसमें टीम खेली थी।
# nth data % > % group_by(teamID) % > % summarise(second_game = nth(yearID, 2)) % > % arrange(second_game)
आउटपुट:
## # 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
अवलोकन की विशिष्ट संख्या
फ़ंक्शन n() किसी मौजूदा समूह में अवलोकनों की संख्या लौटाता है। n() का एक बंद फ़ंक्शन n_distinct() है, जो अद्वितीय मानों की संख्या की गणना करता है।
अगले उदाहरण में, आप सभी अवधियों के दौरान एक टीम द्वारा भर्ती किये गए खिलाड़ियों की कुल संख्या जोड़ते हैं।
# distinct values data % > % group_by(teamID) % > % summarise(number_player = n_distinct(playerID)) % > % arrange(desc(number_player))
कोड स्पष्टीकरण
- group_by(teamID): वर्ष के अनुसार समूह बनाएं और टीम
- सारांश(number_player = n_विशिष्ट(playerID)): टीम के अनुसार खिलाड़ियों की अलग-अलग संख्या की गणना करें
- व्यवस्थित करें(desc(number_player)): खिलाड़ियों की संख्या के अनुसार डेटा को क्रमबद्ध करें
आउटपुट:
## # 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
एकाधिक समूह
एक सारांश सांख्यिकी को अनेक समूहों के बीच साकार किया जा सकता है।
# Multiple groups data % > % group_by(yearID, teamID) % > % summarise(mean_games = mean(G)) % > % arrange(desc(teamID, yearID))
कोड स्पष्टीकरण
- group_by(yearID, teamID): वर्ष के अनुसार समूह बनाएं और टीम
- summarise(mean_games = mean(G)): गेम प्लेयर की संख्या का सारांश दें
- व्यवस्थित करें(desc(teamID, yearID)): टीम और वर्ष के अनुसार डेटा को क्रमबद्ध करें
आउटपुट:
## # 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
फ़िल्टर
इससे पहले कि आप कोई ऑपरेशन करना चाहें, आप डेटासेट को फ़िल्टर कर सकते हैं। डेटासेट 1871 से शुरू होता है, और विश्लेषण के लिए 1980 से पहले के वर्षों की ज़रूरत नहीं होती।
# Filter data % > % filter(yearID > 1980) % > % group_by(yearID) % > % summarise(mean_game_year = mean(G))
कोड स्पष्टीकरण
- फ़िल्टर(yearID > 1980): केवल प्रासंगिक वर्ष (अर्थात 1980 के बाद) दिखाने के लिए डेटा को फ़िल्टर करें
- group_by(yearID): वर्ष के अनुसार समूह बनाएं
- summarise(mean_game_year = mean(G)): डेटा को सारांशित करें
आउटपुट:
## # 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
असमूहीकृत
अंतिम लेकिन महत्वपूर्ण बात यह है कि गणना का स्तर बदलने से पहले आपको समूहीकरण को हटाना होगा।
# 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))
कोड स्पष्टीकरण
- फ़िल्टर(HR >0) : शून्य होमरन को बाहर करें
- group_by(playerID): खिलाड़ी के अनुसार समूह बनाएं
- summarise(average_HR_game = sum(HR)/sum(G)): खिलाड़ी द्वारा औसत होमरन की गणना करें
- ungroup(): समूहीकरण हटाएँ
- सारांश (कुल_औसत_होमरन = औसत(औसत_एचआर_गेम)): डेटा को सारांशित करें
आउटपुट:
## # A tibble: 1 x 1 ## total_average_homerun ## <dbl> ## 1 0.06882226
सारांश
जब आप समूह के अनुसार सारांश लौटाना चाहते हैं, तो आप इसका उपयोग कर सकते हैं:
# group by X1, X2, X3 group(df, X1, X2, X3)
आपको डेटा को निम्न प्रकार से समूह से अलग करना होगा:
ungroup(df)
नीचे दी गई तालिका summarise() से सीखे गए फ़ंक्शन का सारांश देती है
| विधि | समारोह | कोड |
|---|---|---|
| मतलब | मतलब |
summarise(df,mean_x1 = mean(x1)) |
| मंझला | मंझला |
summarise(df,median_x1 = median(x1)) |
| योग | योग |
summarise(df,sum_x1 = sum(x1)) |
| मानक विचलन | sd |
summarise(df,sd_x1 = sd(x1)) |
| अन्तःचतुर्थक | आईक्यूआर |
summarise(df,interquartile_x1 = IQR(x1)) |
| न्यूनतम | मिनट |
summarise(df,minimum_x1 = min(x1)) |
| अधिकतम | मैक्स |
summarise(df,maximum_x1 = max(x1)) |
| मात्रात्मक | मात्रात्मक |
summarise(df,quantile_x1 = quantile(x1)) |
| पहला अवलोकन | प्रथम |
summarise(df,first_x1 = first(x1)) |
| अंतिम अवलोकन | पिछली बार |
summarise(df,last_x1 = last(x1)) |
| nवां अवलोकन | n वें |
summarise(df,nth_x1 = nth(x1, 2)) |
| घटना की संख्या | n |
summarise(df,n_x1 = n(x1)) |
| अलग-अलग घटनाओं की संख्या | n_विशिष्ट |
summarise(df,n_distinct _x1 = n_distinct(x1)) |
