R aggregátumfüggvény: summarize() és group_by() példa

⚡ Okos összefoglaló

Az R-ben található dplyr aggregátumfüggvények sok sort csoportonként egyetlen statisztikává zsugorítanak. Ez a bemutató a group_by() és a summarize() metódusokat párosítja a Lahman-féle ütőadatokon, hogy 104 324 megfigyelés átlagát, összegét, szórását, darabszámát és pozicionális értékeit számítsa ki.

  • 🧮 Alapige: A summarize(df, name = function(column)) egy sort ad vissza, és a group_by() először ezt csoportonként egy sorrá alakítja.
  • 📊 Statisztikai családok: Az átlag és a medián a középpontot, az szórás és az IQR a szórást, a minimum és a maximum a tartományt írja le.
  • 🔢 Számolás: Az n() függvény a jelenlegi csoport sorait, az n_distinct() pedig a benne lévő egyedi értékeket számolja.
  • 📍 Pozicionális segítők: first(), last() és nth() pl.tracegy adott megfigyelés minden csoporttól.
  • 🔄 Több oszlopból álló munka: Az across() egy függvényt alkalmaz több oszlopra anélkül, hogy mindegyikhez megismételné a kódot.
  • 🔓 Grouping Higiénia: Mindig hívd meg az ungroup() függvényt egy olyan számítás előtt, amelynek újra kell futnia a teljes táblázaton.

R aggregátumfüggvény

Az oktatóanyagban használt adatkészlet

Egy változó összegzése első képet ad az adatokról, a csoportosítás pedig sokkal többet elárul az értékek eloszlásáról. Ez az oktatóanyag bemutatja, hogyan lehet egy adathalmazt csoportosítani a dplyr könyvtár segítségével.

Ez az oktatóanyag a Lahman ütőjáték adatkészletét használja. Importálás és tárolás utánping csak az alább felsorolt ​​kilenc oszlopot használva, a működő adatkeret 104 324 megfigyelést és 9 változót tartalmaz:

  • playerID: Játékosazonosító kód. Tényező
  • évazonosító: év. Tényező
  • teamID: Csapat. tényező
  • lgID: Liga. Tényező: AA AL FL NL PL UA
  • AB: A denevéreknél. Numerikus
  • G: Játékok: egy játékos által lejátszott játékok száma. Numerikus
  • R: Fut. Numerikus
  • HR: Homeruns. Numerikus
  • SH: Áldozatos találatok. Numerikus

Az összegzés elvégzése előtt a következő lépéseket kell végrehajtania az adatok előkészítéséhez:

  • 1. lépés: Importálja az adatokat
  • 2. lépés: Válassza ki a megfelelő változókat
  • 3. lépés: Rendezze az adatokat
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)

Az adatkészlet importálásakor bevált gyakorlat a glimpse() függvény használata, hogy képet kapjunk az adatkészlet szerkezetéről.

# Structure of the data
glimpse(data)

output:

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, ...

összefoglal()

A summarise() szintaxisa alapvető, és összhangban van a dplyr könyvtárban található többi igével.

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

Nézd meg az alábbi kódot:

summarise(data, mean_run =mean(R))

Code Magyarázat

  • summarise(data, mean_run = mean(R)): Létrehoz egy mean_run nevű változót, amely az adatkészlet adataiból futtatott oszlop átlaga.

output:

##   mean_run
## 1 19.20114

Annyi változót adhat hozzá, amennyit csak akar. Visszaadja az átlagos lejátszott meccseket és az átlagos áldozatot.

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

Code Magyarázat

  • mean_SH = mean(SH, na.rm = TRUE): Foglaljon össze egy második változót. A na.rm = TRUE értéket adta meg, mert az SH oszlop hiányzó megfigyeléseket tartalmaz.

output:

##   mean_games  mean_SH
## 1   51.98361 2.340085

group_by() vs. Nincs group_by()

Önmagában használva a summarize() a teljes adatkeretet egyetlen sorba csukja össze, ahogy a fenti példák is mutatják. Az igazi ereje a group_by() hozzáadásakor mutatkozik meg: a dplyr A könyvtár ezután minden csoportra külön alkalmazza ugyanazt a számítást, és csoportonként egy sort ad vissza.

Vegye figyelembe, hogy a group_by tökéletesen működik az összes többi igével (pl. mute(), filter(), arrange(), …).

Kényelmes a csővezeték-kezelő használata, ha egynél több lépése van. Kiszámolhatja az átlagos homerun baseball-bajnokság szerint.

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

Code Magyarázat

  • adatok: az összefoglaló statisztika készítéséhez használt adatkészlet
  • group_by(lgID): Az adatokat az lgID értékei szerint osztja szét az összegzés előtt.
  • summarise(mean_run = mean(HR)): Az átlagos homerun kiszámítása

output:

## 
# 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	

A pipe a ggplot() függvénnyel is működik, így a nyers adatoktól a kész diagramig tartó teljes lánc egyetlen utasításban marad. Az alábbi kód a group_by(), summarize() és ggplot() függvények kombinálásával oszlopdiagramon jeleníti meg a ligánkénti átlagos hazafutásokat.

A következő lépést fogja tenni:

  • 1. lépés: Válassza ki az adatkeretet
  • 2. lépés: Csoportosítsa az adatokat
  • 3. lépés: Foglalja össze az adatokat
  • 4. lépés: Ábrázolja az összesített statisztikákat
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()"
        )
    )

output:

Group_by példa az Összegzés funkcióval

A summarize() függvényen belül használható függvények

A summarise() ige kompatibilis az R szinte összes függvényével. Íme egy rövid lista a summarise()-vel együtt használható hasznos függvényekről:

Objektív Funkció Leírás
alapvető átlagos() Az x vektor átlaga
középső() Az x vektor mediánja
összeg () Az x vektor összege
variáció SD() az x vektor szórása
IQR() Az x vektor interkvartilis
Választék perc () Az x vektor minimuma
max () Az x vektor maximuma
kvantilis() Az x vektor kvantilisa
Pozíció első() Használja a group_by()-vel A csoport első megfigyelése
utolsó() Használja a group_by(). A csoport utolsó megfigyelése
nth() Használja a group_by(). A csoport n-edik megfigyelése
Gróf n() Használja a group_by(). Számolja meg a sorok számát
n_dinct() Használja a group_by(). Számolja meg a különböző megfigyelések számát

Az alábbi szakaszok a fenti táblázatban szereplő egyes függvényekre mutatnak be egy példát. Ha még nem ismeri a pipát és a többi igét, kezdje a következővel: oktatóanyag kiválasztása, szűrése és elrendezése.

Alapvető funkció

Az előző példában az összesítő statisztikát nem adatkeretben tárolta.

Összefoglalókból két lépésben hozhat létre adatkeretet:

  • 1. lépés: Tárolja az adatkeretet további használatra
  • 2. lépés: Használja az adatkészletet egy vonaldiagram létrehozásához

Step 1) Kiszámolja a lejátszott játékok átlagos számát évenként.

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

Code Magyarázat

  • Az ütési adatkészlet összefoglaló statisztikája az ex1 adatkeretben tárolódik.

output:

## # 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	

Step 2) Megmutatja az összesítő statisztikát egy vonaldiagrammal, és látja a trendet.

# 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"
        )
    )

output:

Példa az alapfunkciókra

Részhalmaz

A summarise() függvény kompatibilis az alkészlettel.

## 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]))

Code Magyarázat

  • median_at_bat_league_no_zero = medián(AB[AB > 0]): Az AB változó sok 0-t tartalmaz. Összehasonlíthatja a denevérnél változó 0-val és anélkül.

output:

## # 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	

Összeg

Egy másik hasznos függvény a változó aggregálására a sum().

Megnézheti, hogy melyik ligában van több homerun.

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

output:

## # 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	

Szabvány eltérés

Az adatok szórását a szórással vagy az R-ben szereplő sd()-vel számítjuk ki.

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

output:

## # 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		

A hazafutások szórása csapatonként jelentősen eltér, és az ALT függvény NA értéket ad vissza, mivel az adott csapatnak csak egy sora van, így a szórás nem számítható ki.

Minimum és maximum

Egy vektor minimumát és maximumát a min() és max() függvényekkel érhetjük el.

Az alábbi kód a játékos által lejátszott szezonban a legalacsonyabb és legmagasabb meccsszámot adja vissza.

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

output:

## # 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

Gróf

A megfigyelések csoportonkénti számlálása mindig érdemes. Az R-ben az n() függvény visszaadja az aktuális csoport sorainak számát.

Például az alábbi kód kiszámítja az egyes játékosok által lejátszott évek számát.

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

output:

## # 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

Első és utolsó

Kiválaszthatja egy csoport első, utolsó vagy n-edik pozícióját.

Megtalálhatja például minden játékos első és utolsó évét.

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

output:

## # 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

n-edik megfigyelés

Az nth() függvény kiegészíti a first() és last() függvényeket. Visszaadja az egyes csoportokon belül átadott indexnél található megfigyelést.

Például csak azt a második évet szűrheti, amikor egy csapat játszott.

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

output:

## # 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

Megkülönböztetett számú megfigyelés

Az n() függvény visszaadja az aktuális csoport sorainak számát. A kapcsolódó n_distinct() függvény ehelyett az egyedi értékeket számolja.

A következő példában összeadja azon játékosok számát, akiket a csapat az összes időszak során toborzott.

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

Code Magyarázat

  • group_by(teamID): Csoportosítás csapat szerint
  • summarise(szám_játékos = n_dinct(playerID)): Számolja meg a csapatonkénti különböző játékosokat
  • arrange(desc(szám_játékos)): Az adatok rendezése a játékosok száma szerint

output:

## # 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

Több csoport

Összefoglaló statisztika több csoport között is megvalósítható.

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

Code Magyarázat

  • group_by(yearID, teamID): Csoportosítás év szerint és a csapat
  • summarize(mean_games = mean(G)): Átlagolja a lejátszott játékok számát
  • arrange(desc(teamID, yearID)): Rendezze az adatokat csapat és év szerint

output:

## # 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

Szűrő

Mielőtt műveletet végezne, szűrheti az adatkészletet. Az adathalmaz 1871-ben kezdődik, és az elemzéshez nincs szükség 1980 előtti évekre.

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

Code Magyarázat

  • filter(yearID > 1980): Az adatok szűrése úgy, hogy csak a releváns éveket jelenítse meg (azaz 1980 után)
  • group_by(yearID): Csoportosítás év szerint
  • summarise(mean_game_year = átlag(G)): Az adatok összegzése

output:

## # 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

Csoportbontás

Végül el kell távolítani a talajtping mielőtt megváltoztatná a számítás futtatásának szintjét. Az ungroup() nélkül a második summarize() továbbra is játékosonként működne.

# 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))

Code Magyarázat

  • filter(HR >0) : nulla homerun kizárása
  • group_by(playerID): csoport játékosonként
  • summarise(average_HR_game = sum(HR)/sum(G)): Az átlagos homerun kiszámítása játékosonként
  • ungroup(): eltávolítja a csoportotping
  • summarise(total_average_homerun = mean(average_HR_game)): Az adatok összegzése

output:

## # A tibble: 1 x 1
##   total_average_homerun
##                   <dbl>
## 1            0.06882226	

Több oszlop összegzése az across() függvénnyel

A fenti példák mindegyike egyszerre egy oszlopot nevez meg. Ha ugyanarra a statisztikára van szükség több oszlophoz, az across() egyetlen hívásban alkalmazza azt az összes oszlopra.

# One function, several columns
data %>%
    group_by(lgID) %>%
    summarise(across(c(R, HR, G), mean, .names = "mean_{.col}"))

# Every numeric column at once
data %>%
    group_by(lgID) %>%
    summarise(across(where(is.numeric), mean, na.rm = TRUE))

# Several functions applied to several columns
data %>%
    group_by(teamID) %>%
    summarise(across(c(R, HR), list(avg = mean, total = sum)))

Három argumentum szabályozza a viselkedést:

  • .cols: az oszlopok, amelyeken a műveletet végezni kell, ugyanazokkal a segédfüggvényekkel írva, mint a select() függvénynél, beleértve a where(is.numeric) függvényt is.
  • .fns fájlok: egy függvény, vagy az egyes oszlopokra alkalmazandó függvények elnevezett listája.
  • .nevek: a kimenet elnevezési mintája, ahol a {.col} az oszlop, a {.fn} pedig a függvény neve.

Az across() függvény lecserélte a régebbi summarize_all(), summarize_at() és summarize_if() segédfüggvényeket a dplyr 1.0.0 verziójában. Ezek továbbra is futnak, de felülírtak, ezért az új kódnak az across() függvényt kell használnia.

Gyakori summarize() hibák és javításuk

Négy probléma felelős a legtöbb sikertelen aggregációért.

  • Az eredmény NA. A mean() és a sum() függvények hiányzó érték esetén NA-t adnak vissza. Adjuk hozzá az na.rm = TRUE értéket, ahogy a fenti mean_SH példa is teszi.
  • A „summarise() csoportosított kimenettel rendelkezik” üzenet. Grouping két változóval csoportosítva az eredmény az első szerint lesz csoportosítva. Adjuk át a .groups = “drop” utasítást a csoport eltávolításához.ping, vagy utána hívd meg az ungroup() függvényt.
  • Egy későbbi számítás rossz szintet ad. Egy adatkeret csoportosítva marad, amíg ki nem bontjuk a csoportosítását, így egy második summarize() függvény továbbra is lefut csoportonként. Pontosan ezt szemlélteti az ungroup() példa.
  • A kimenet a vártnál több sort tartalmaz. summarize() csoportonként egy sort ad vissza, így egy nem kívánt csoportping változó megszorozza a kimenetet. Ellenőrizd a „Groups:” sort, amely bármelyik adat felett megjelenik.
# Drop the grouping as part of the call
data %>%
    group_by(yearID, teamID) %>%
    summarise(mean_games = mean(G), .groups = "drop")

summarize() függvény R-ben: Függvényreferencia

Csoportosítás szerinti összesítés visszaadásához először bontsa fel az adatokat:

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

és távolítsa el a talajtping amikor a számítás szintje megváltozik:

ungroup(df)

Az alábbi táblázat felsorolja az ebben az oktatóanyagban az summarize() függvénnyel használt összes függvényt:

Módszer Funkció Code
jelent jelent
summarise(df, mean_x1 = mean(x1))
középső középső
summarise(df, median_x1 = median(x1))
összeg összeg
summarise(df, sum_x1 = sum(x1))
szórás sd
summarise(df, sd_x1 = sd(x1))
interkvartilis I.Q.R.
summarise(df, interquartile_x1 = IQR(x1))
minimum perc
summarise(df, minimum_x1 = min(x1))
maximális max
summarise(df, maximum_x1 = max(x1))
kvantilis kvantilis
summarise(df, quantile_x1 = quantile(x1, probs = 0.75))
első megfigyelés első
summarise(df, first_x1 = first(x1))
utolsó megfigyelés utolsó
summarise(df, last_x1 = last(x1))
n-edik megfigyelés N.
summarise(df, nth_x1 = nth(x1, 2))
előfordulások száma n
summarise(df, n_x1 = n())
egyedi előfordulások száma n_dinct
summarise(df, n_distinct_x1 = n_distinct(x1))

GYIK

A summarize() függvény minden csoportot egyetlen statisztikai sorba csuk össze. A mutate() függvény minden sort megőrz, és új oszlopot ad hozzá. Használd a mutate() függvényt, ha a csoportstatisztikának az eredeti megfigyelések mellett kell lennie.

Grouping két vagy több változó esetén az eredmény az utolsó kivételével mindegyik szerint csoportosítva marad. A dplyr figyelmeztet, mert a későbbi műveletek csendben, csoportonként futnának. Ennek elkerülése érdekében add meg a .groups = “drop” paramétert.

Az n() függvény az aktuális csoport minden sorát megszámolja, beleértve az ismétlődéseket is. Az n_distinct() függvény egy oszlop egyedi értékeit számolja. A játékosok csapatonkénti számlálásához az n_distinct() függvényre van szükség, mivel egy játékos több szezonban is szerepel.

A csoportszintű aggregátumok, mint például az ügyfélátlagok, darabszámok és a frissességi értékek a táblázatos AI-modellek legerősebb előrejelzői közé tartoznak. A group_by() és a summarize() függvények használata a reprodukálható felépítésük standard módja.

Igen. Az AI asszisztensek átírhatják az aggregate() és a tapply() függvényeket group_by() és summarize() pipeline-okká. Hasonlítsa össze a sorok számát mindkét verzióban, mivel az alap R és a dplyr eltérően kezeli a hiányzó csoportokat.

Foglald össze ezt a bejegyzést a következőképpen: