Funkcja agregująca R: przykład sumowania i grupowania według()
Podsumowanie zmiennej jest ważne, aby mieć pojęcie o danych. Chociaż podsumowanie zmiennej według grupy daje lepsze informacje o dystrybucji danych.
W tym samouczku dowiesz się, jak podsumować zbiór danych według grup za pomocą biblioteki dplyr.
W tym samouczku użyjesz zestawu danych batting. Oryginalny zestaw danych zawiera 102816 obserwacji i 22 zmienne. Użyjesz tylko 20 procent tego zestawu danych i następujących zmiennych:
- playerID: Kod identyfikacyjny gracza. Czynnik
- ID roku: Rok. Czynnik
- ID zespołu: Zespół. czynnik
- lgID: Liga. Czynnik: AA AL FL NL PL UA
- AB: U nietoperzy. Numeryczny
- G: Gry: liczba gier rozegranych przez gracza. Numeryczny
- R: Biegnie. Numeryczny
- HR: Homeruny. Numeryczny
- SH: Ofiarne uderzenia. Numeryczny
Zanim wykonasz podsumowanie, wykonaj następujące czynności w celu przygotowania danych:
- Krok 1: Zaimportuj dane
- Krok 2: Wybierz odpowiednie zmienne
- Krok 3: Posortuj dane
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)
Dobrą praktyką podczas importowania zbioru danych jest użycie funkcji przebłysk(), aby zorientować się w strukturze zbioru danych.
# Structure of the data glimpse(data)
Wyjście:
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, ...
Streszczać()
Składnia funkcji summarise() jest podstawowa i zgodna z pozostałymi czasownikami zawartymi w bibliotece dplyr.
summarise(df, variable_name=condition) arguments: - `df`: Dataset used to construct the summary statistics - `variable_name=condition`: Formula to create the new variable
Spójrz na poniższy kod:
summarise(data, mean_run =mean(R))
Objaśnienie kodu
- summarise(data, mean_run = mean(R)): Tworzy zmienną o nazwie mean_run, która jest średnią kolumny uruchomionej na podstawie danych zestawu danych.
Wyjście:
## mean_run ## 1 19.20114
Możesz dodać tyle zmiennych, ile chcesz. Zwracasz średnią liczbę rozegranych gier i średnią liczbę trafień poświęceń.
summarise(data, mean_games = mean(G), mean_SH = mean(SH, na.rm = TRUE))
Objaśnienie kodu
- mean_SH = mean(SH, na.rm = TRUE): Podsumuj drugą zmienną. Ustawiasz na.rm = TRUE, ponieważ kolumna SH zawiera brakujące obserwacje.
Wyjście:
## mean_games mean_SH ## 1 51.98361 2.340085
Group_by vs brak group_by
Funkcja Summerise() bez group_by() nie ma żadnego sensu. Tworzy statystyki podsumowujące według grup. Biblioteka dplyr automatycznie stosuje funkcję do grupy przekazanej w czasowniku group_by.
Zauważ, że group_by doskonale współpracuje ze wszystkimi innymi czasownikami (tj. mutate(), filter(), aranżuj(),…).
Wygodnie jest używać operatora pipeline, gdy masz więcej niż jeden krok. Możesz obliczyć średnią liczbę homerunów według ligi baseballowej.
data % > % group_by(lgID) % > % summarise(mean_run = mean(HR))
Objaśnienie kodu
- dane: Zbiór danych używany do konstruowania statystyk podsumowujących
- group_by(lgID): Oblicz podsumowanie, grupując zmienną `lgID
- summarise(mean_run = mean(HR)): Oblicz średnią liczbę homerunów
Wyjście:
## # 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
Operator potoku działa również z ggplot(). Możesz łatwo pokazać statystykę podsumowującą za pomocą wykresu. Wszystkie kroki są umieszczane w potoku, dopóki wykres nie zostanie wykreślony. Bardziej wizualnie wydaje się zobaczenie średniego home runa według ligi za pomocą znaku słupkowego. Poniższy kod pokazuje moc łączenia group_by(), summarise() i ggplot().
Wykonaj następujący krok:
- Krok 1: Wybierz ramkę danych
- Krok 2: Dane grupowe
- Krok 3: Podsumowanie danych
- Krok 4: Wykreśl statystyki podsumowujące
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()" ) )
Wyjście:
Funkcja w summarise()
Czasownik summarise() jest zgodny z niemal wszystkimi funkcjami w R. Oto krótka lista przydatnych funkcji, których można używać razem z summarise():
Cel | Funkcjonować | Opis |
---|---|---|
Basic | oznaczać() | Średnia wektora x |
mediana() | Mediana wektora x | |
suma() | Suma wektora x | |
zmienność | SD() | odchylenie standardowe wektora x |
IQR() | Międzykwartyl wektora x | |
łodzie | min () | Minimum wektora x |
max () | Maksimum wektora x | |
kwantyl() | Kwantyl wektora x | |
Stanowisko | Pierwszy() | Użyj z group_by() Pierwsza obserwacja grupy |
ostatni() | Używaj z group_by(). Ostatnia obserwacja grupy | |
n-te() | Używaj z group_by(). n-ta obserwacja grupy | |
Liczyć | n () | Używaj z group_by(). Policz liczbę rzędów |
n_distinct() | Używaj z group_by(). Policz liczbę różnych obserwacji |
Zobaczymy przykłady dla każdej funkcji z tabeli 1.
Podstawowa funkcja
W poprzednim przykładzie statystyka podsumowująca nie została zapisana w ramce danych.
Aby wygenerować ramkę daty z podsumowania, możesz postępować w dwóch krokach:
- Krok 1: Zapisz ramkę danych do dalszego wykorzystania
- Krok 2: Użyj zbioru danych, aby utworzyć wykres liniowy
Krok 1) Obliczasz średnią liczbę rozegranych meczów w danym roku.
## Mean ex1 <- data % > % group_by(yearID) % > % summarise(mean_game_year = mean(G)) head(ex1)
Objaśnienie kodu
- Statystyka podsumowująca zbiór danych dotyczących mrugnięcia jest przechowywana w ramce danych ex1.
Wyjście:
## # 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
Krok 2) Pokazujesz statystykę podsumowującą w postaci wykresu liniowego i widzisz trend.
# 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" ) )
Wyjście:
Podzbiór
Funkcja summarise() jest zgodna z podzbiorem.
## 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]))
Objaśnienie kodu
- median_at_bat_league_no_zero = mediana(AB[AB > 0]): Zmienna AB zawiera wiele zer. Możesz porównać medianę w bat zmienna z i bez 0.
Wyjście:
## # 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
Inną przydatną funkcją do agregowania zmiennej jest sum().
Możesz sprawdzić, które ligi mają więcej homerunów.
## Sum data % > % group_by(lgID) % > % summarise(sum_homerun_league = sum(HR))
Wyjście:
## # 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
Odchylenie standardowe
Rozrzut danych jest obliczany za pomocą odchylenia standardowego lub sd() w R.
# Spread data % > % group_by(teamID) % > % summarise(sd_at_bat_league = sd(HR))
Wyjście:
## # 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
Istnieje wiele nierówności w liczbie homerunów wykonanych przez każdą drużynę.
Minimalne i maksymalne
Dostęp do minimum i maksimum wektora można uzyskać za pomocą funkcji min() i max().
Poniższy kod zwraca najniższą i najwyższą liczbę meczów w sezonie rozegranych przez danego zawodnika.
# Min and max data % > % group_by(playerID) % > % summarise(min_G = min(G), max_G = max(G))
Wyjście:
## # 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
Liczyć
Liczenie obserwacji według grup jest zawsze dobrym pomysłem. Za pomocą R możesz agregować liczbę wystąpień za pomocą n().
Na przykład poniższy kod oblicza liczbę lat gry każdego gracza.
# count observations data % > % group_by(playerID) % > % summarise(number_year = n()) % > % arrange(desc(number_year))
Wyjście:
## # 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
Pierwszy i ostatni
Można wybrać pierwszą, ostatnią lub n-tą pozycję grupy.
Na przykład możesz znaleźć pierwszy i ostatni rok każdego gracza.
# first and last data % > % group_by(playerID) % > % summarise(first_appearance = first(yearID), last_appearance = last(yearID))
Wyjście:
## # 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-ta obserwacja
Funkcja nth() jest uzupełnieniem funkcji First() i Last(). Możesz uzyskać dostęp do n-tej obserwacji w grupie z indeksem, który ma zostać zwrócony.
Możesz na przykład filtrować tylko drugi rok, w którym grała dana drużyna.
# nth data % > % group_by(teamID) % > % summarise(second_game = nth(yearID, 2)) % > % arrange(second_game)
Wyjście:
## # 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
Wyraźna liczba obserwacji
Funkcja n() zwraca liczbę obserwacji w bieżącej grupie. Zamkniętą funkcją n() jest n_distinct(), która zlicza liczbę unikalnych wartości.
W następnym przykładzie sumujesz całkowitą liczbę graczy, których zespół zrekrutował we wszystkich okresach.
# distinct values data % > % group_by(teamID) % > % summarise(number_player = n_distinct(playerID)) % > % arrange(desc(number_player))
Objaśnienie kodu
- group_by(teamID): Grupa według roku i Zespół
- podsumuj(liczba_graczy = n_odrębny(playerID)): Policz określoną liczbę graczy w drużynie
- aranżuj(desc(number_player)): Sortuj dane według liczby graczy
Wyjście:
## # 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
Wiele grup
Statystyka podsumowująca może być realizowana pomiędzy wieloma grupami.
# Multiple groups data % > % group_by(yearID, teamID) % > % summarise(mean_games = mean(G)) % > % arrange(desc(teamID, yearID))
Objaśnienie kodu
- group_by(yearID, teamID): Grupa według roku i Zespół
- summarise(mean_games = mean(G)): Podsumuj liczbę graczy w grze
- aranżuj(desc(IDzespołu, ID roku)): Sortuj dane według zespołu i roku
Wyjście:
## # 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
FILTRY
Zanim zamierzasz wykonać operację, możesz przefiltrować zbiór danych. Zbiór danych zaczyna się w 1871 r., a analiza nie wymaga lat sprzed 1980 r.
# Filter data % > % filter(yearID > 1980) % > % group_by(yearID) % > % summarise(mean_game_year = mean(G))
Objaśnienie kodu
- filter(yearID > 1980): Filtruj dane, aby wyświetlić tylko odpowiednie lata (tj. po 1980 r.)
- group_by(yearID): Grupa według roku
- summarise(mean_game_year = mean(G)): Podsumuj dane
Wyjście:
## # 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
Rozgrupuj
Na koniec należy usunąć grupowanie, zanim będzie można zmienić poziom obliczeń.
# 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))
Objaśnienie kodu
- filter(HR >0): Wyklucz zerowy homerun
- group_by(playerID): grupa według gracza
- summarise(average_HR_game = sum(HR)/sum(G)): Oblicz średnią liczbę homerunów dla każdego gracza
- ungroup(): usuń grupowanie
- summarise(total_average_homerun = mean(average_HR_game)): Podsumuj dane
Wyjście:
## # A tibble: 1 x 1 ## total_average_homerun ## <dbl> ## 1 0.06882226
Podsumowanie
Jeśli chcesz zwrócić podsumowanie według grup, możesz użyć:
# group by X1, X2, X3 group(df, X1, X2, X3)
musisz rozgrupować dane za pomocą:
ungroup(df)
Poniższa tabela podsumowuje funkcję, której nauczyłeś się za pomocą summarise()
Metoda wykonania | Funkcjonować | Code |
---|---|---|
oznaczać | oznaczać |
summarise(df,mean_x1 = mean(x1)) |
mediana | mediana |
summarise(df,median_x1 = median(x1)) |
suma | suma |
summarise(df,sum_x1 = sum(x1)) |
odchylenie standardowe | sd |
summarise(df,sd_x1 = sd(x1)) |
międzykwartyl | IQR |
summarise(df,interquartile_x1 = IQR(x1)) |
minimum | min |
summarise(df,minimum_x1 = min(x1)) |
maksymalny | max |
summarise(df,maximum_x1 = max(x1)) |
kwantyl | kwantyl |
summarise(df,quantile_x1 = quantile(x1)) |
pierwsza obserwacja | drugim |
summarise(df,first_x1 = first(x1)) |
ostatnia obserwacja | trwać |
summarise(df,last_x1 = last(x1)) |
n-ta obserwacja | n-ty |
summarise(df,nth_x1 = nth(x1, 2)) |
liczba wystąpień | n |
summarise(df,n_x1 = n(x1)) |
liczba odrębnych zdarzeń | n_odrębny |
summarise(df,n_distinct _x1 = n_distinct(x1)) |