ฟังก์ชันการรวมข้อมูลใน R: summarise() และ group_by() ตัวอย่าง
เอเวลิน คลาร์ก
⚡ สรุปอย่างชาญฉลาด
ฟังก์ชัน Aggregate ใน R ที่ใช้ไลบรารี dplyr จะรวมข้อมูลหลายแถวเข้าเป็นสถิติเดียวต่อกลุ่ม บทช่วยสอนนี้จะใช้ฟังก์ชัน group_by() ร่วมกับ summarise() กับข้อมูลการตีของ Lahman เพื่อคำนวณค่าเฉลี่ย ผลรวม ค่าเบี่ยงเบนมาตรฐาน จำนวน และค่าตำแหน่งต่างๆ จากข้อมูลทั้งหมด 104,324 รายการ
ชุดข้อมูลที่ใช้ในบทช่วยสอนนี้
การสรุปค่าตัวแปรจะช่วยให้คุณเข้าใจข้อมูลในเบื้องต้น และการสรุปค่าตามกลุ่มจะช่วยให้คุณเข้าใจการกระจายตัวของค่าต่างๆ ได้ดียิ่งขึ้น บทช่วยสอนนี้จะแสดงวิธีการรวมชุดข้อมูลตามกลุ่มโดยใช้ไลบรารี dplyr
บทช่วยสอนนี้ใช้ชุดข้อมูลการตีลูกของ Lahman หลังจากนำเข้าและเก็บรักษาข้อมูลแล้วping เฉพาะคอลัมน์ทั้งเก้าที่ระบุไว้ด้านล่างนี้ เฟรมข้อมูลที่ใช้งานอยู่ประกอบด้วยข้อมูลสังเกตการณ์ 104,324 รายการ และตัวแปร 9 ตัว:
- playerID: รหัสประจำตัวผู้เล่น ปัจจัย
- รหัสปี: ปี ปัจจัย
- รหัสทีม: ทีม. ปัจจัย
- lgID: ลีก. ปัจจัย: AA อัล ชั้น NL PL UA
- AB: ที่ค้างคาว ตัวเลข
- G: เกม: จำนวนเกมโดยผู้เล่น ตัวเลข
- ร: วิ่ง ตัวเลข
- HR: โฮมรัน ตัวเลข
- SH: การสังเวยเพลงฮิต. ตัวเลข
ก่อนที่จะทำการสรุป คุณจะต้องดำเนินการตามขั้นตอนต่อไปนี้เพื่อเตรียมข้อมูล:
- ขั้นตอนที่ 1: นำเข้าข้อมูล
- ขั้นตอนที่ 2: เลือกตัวแปรที่เกี่ยวข้อง
- ขั้นตอนที่ 3: จัดเรียงข้อมูล
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)
แนวปฏิบัติที่ดีเมื่อคุณนำเข้าชุดข้อมูลคือการใช้ฟังก์ชัน glimpse() เพื่อให้ทราบแนวคิดเกี่ยวกับโครงสร้างของชุดข้อมูล
# 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, ...
สรุป()
รูปแบบโครงสร้างของ summarise() เป็นแบบพื้นฐานและสอดคล้องกับคำกริยาอื่นๆ ที่รวมอยู่ในไลบรารี dplyr
summarise(df, variable_name=condition) arguments: - `df`: Dataset used to construct the summary statistics - `variable_name=condition`: Formula to create the new variable
ดูรหัสด้านล่าง:
summarise(data, mean_run =mean(R))
Code คำอธิบาย
- summarise(data, mean_run = mean(R)): สร้างตัวแปรชื่อ mean_run ซึ่งเป็นค่าเฉลี่ยของคอลัมน์ที่รันจากข้อมูลชุดข้อมูล
Output:
## mean_run ## 1 19.20114
คุณสามารถเพิ่มตัวแปรได้มากเท่าที่คุณต้องการ โดยจะคืนค่าเกมเฉลี่ยที่เล่นและค่าเสียสละเฉลี่ย
summarise(data, mean_games = mean(G), mean_SH = mean(SH, na.rm = TRUE))
Code คำอธิบาย
- mean_SH = mean(SH, na.rm = TRUE): สรุปค่าตัวแปรที่สอง คุณตั้งค่า na.rm = TRUE เนื่องจากคอลัมน์ SH มีข้อสังเกตที่ขาดหายไป
Output:
## mean_games mean_SH ## 1 51.98361 2.340085
group_by() กับ ไม่ใช้ group_by()
เมื่อใช้ summarise() เพียงอย่างเดียว จะยุบข้อมูลทั้งเฟรมให้เหลือเพียงแถวเดียว ดังตัวอย่างข้างต้น แต่พลังที่แท้จริงของมันจะปรากฏขึ้นเมื่อคุณเพิ่ม group_by() เข้าไป: ดีพลีร์ จากนั้นไลบรารีจะนำการคำนวณเดียวกันไปใช้แยกกันในแต่ละกลุ่ม และส่งคืนข้อมูลหนึ่งแถวต่อกลุ่ม
โปรดทราบว่า group_by ทำงานได้อย่างสมบูรณ์แบบกับคำกริยาอื่นๆ ทั้งหมด (เช่น mutate(), filter(), Arrange(), …)
การใช้ตัวดำเนินการท่อจะสะดวกในกรณีที่คุณมีขั้นตอนมากกว่าหนึ่งขั้นตอน คุณสามารถคำนวณโฮมรันเฉลี่ยตามลีกเบสบอลได้
data %>% group_by(lgID) %>% summarise(mean_run = mean(HR))
Code คำอธิบาย
- data: ชุดข้อมูลที่ใช้สร้างสถิติสรุป
- group_by(lgID): แบ่งข้อมูลตามค่า lgID ก่อนทำการสรุปผล
- สรุป (mean_run = mean (HR)): คำนวณโฮมรันเฉลี่ย
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
คำสั่ง pipe สามารถใช้งานร่วมกับ ggplot() ได้เช่นกัน ดังนั้นกระบวนการทั้งหมดตั้งแต่ข้อมูลดิบไปจนถึงแผนภูมิที่เสร็จสมบูรณ์จึงอยู่ในคำสั่งเดียว โค้ดด้านล่างนี้รวม group_by(), summarise() และ ggplot() เพื่อแสดงค่าเฉลี่ยโฮมรันต่อลีกในรูปแบบแผนภูมิแท่ง
คุณจะดำเนินการตามขั้นตอนต่อไปนี้:
- ขั้นตอนที่ 1: เลือกกรอบข้อมูล
- ขั้นตอนที่ 2: จัดกลุ่มข้อมูล
- ขั้นตอนที่ 3: สรุปข้อมูล
- ขั้นตอนที่ 4: พล็อตสถิติสรุป
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:
ฟังก์ชันที่คุณสามารถใช้ภายใน summarise()
กริยา summarise() เข้ากันได้กับฟังก์ชันเกือบทั้งหมดใน R ต่อไปนี้คือรายการฟังก์ชันที่มีประโยชน์สั้นๆ ที่คุณสามารถใช้ร่วมกับ summarise():
| วัตถุประสงค์ | ฟังก์ชัน | Descriptไอออน |
|---|---|---|
| ขั้นพื้นฐาน | หมายถึง() | ค่าเฉลี่ยของเวกเตอร์ x |
| ค่ามัธยฐาน () | ค่ามัธยฐานของเวกเตอร์ x | |
| ผลรวม () | ผลรวมของเวกเตอร์ x | |
| การเปลี่ยนแปลง | เอสดี() | ค่าเบี่ยงเบนมาตรฐานของเวกเตอร์ x |
| ไอคิวอาร์() | อินเทอร์ควอไทล์ของเวกเตอร์ x | |
| พิสัย | นาที() | ขั้นต่ำของเวกเตอร์ x |
| สูงสุด () | สูงสุดของเวกเตอร์ x | |
| ปริมาณ() | ควอไทล์ของเวกเตอร์ x | |
| ตำแหน่ง | แรก() | ใช้กับ group_by() การสังเกตครั้งแรกของกลุ่ม |
| ล่าสุด() | ใช้กับ group_by() การสังเกตครั้งสุดท้ายของกลุ่ม | |
| ที่ n() | ใช้กับ group_by() การสังเกตครั้งที่ n ของกลุ่ม | |
| นับ | เอ็น() | ใช้กับ group_by() นับจำนวนแถว |
| n_แตกต่าง() | ใช้กับ group_by() นับจำนวนการสังเกตที่แตกต่างกัน |
ส่วนด้านล่างนี้จะอธิบายตัวอย่างการใช้งานแต่ละฟังก์ชันในตารางด้านบน หากคุณยังไม่คุ้นเคยกับการใช้เครื่องหมายไปป์ (pipe) และคำกริยาอื่นๆ โปรดเริ่มต้นจากส่วนแรก คู่มือการเลือก การกรอง และการจัดเรียง.
ฟังก์ชั่นพื้นฐาน
ในตัวอย่างก่อนหน้านี้ คุณไม่ได้จัดเก็บสถิติสรุปไว้ในกรอบข้อมูล
คุณสามารถสร้าง data frame จากข้อมูลสรุปได้ในสองขั้นตอน:
- ขั้นตอนที่ 1: จัดเก็บ data frame เพื่อใช้งานต่อไป
- ขั้นตอนที่ 2: ใช้ชุดข้อมูลเพื่อสร้างการลงจุดเส้น
ขั้นตอน 1) คุณคำนวณจำนวนเกมเฉลี่ยที่เล่นในแต่ละปี
## Mean ex1 <- data %>% group_by(yearID) %>% summarise(mean_game_year = mean(G)) head(ex1)
Code คำอธิบาย
- สถิติสรุปของชุดข้อมูลการตีถูกจัดเก็บไว้ใน data frame ex1
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
ขั้นตอน 2) คุณแสดงสถิติสรุปด้วยการวาดเส้นและดูแนวโน้ม
# 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:
เซตย่อย
ฟังก์ชัน summarise() สามารถทำงานร่วมกับการตั้งค่าย่อยได้
## 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 คำอธิบาย
- median_at_bat_league_no_zero = ค่ามัธยฐาน (AB[AB > 0]): ตัวแปร AB มี 0 จำนวนมาก คุณสามารถเปรียบเทียบค่ามัธยฐานของ ที่ค้างคาว ตัวแปรที่มีและไม่มี 0
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
รวม
ฟังก์ชั่นที่มีประโยชน์อีกอย่างในการรวมตัวแปรคือ sum()
คุณสามารถตรวจสอบว่าลีกใดมีโฮมรันมากกว่า
## 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
ส่วนเบี่ยงเบนมาตรฐาน
การแพร่กระจายในข้อมูลคำนวณด้วยค่าเบี่ยงเบนมาตรฐานหรือ sd() ใน R
# 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
ความแตกต่างของจำนวนโฮมรันระหว่างทีมนั้นค่อนข้างมาก และ ALT ส่งคืนค่า NA เนื่องจากทีมนั้นมีเพียงแถวเดียว จึงไม่สามารถคำนวณค่าเบี่ยงเบนมาตรฐานได้
ขั้นต่ำและสูงสุด
คุณสามารถเข้าถึงค่าต่ำสุดและค่าสูงสุดของเวกเตอร์ได้ด้วยฟังก์ชัน min() และ max()
โค้ดด้านล่างนี้ส่งคืนจำนวนเกมสูงสุดและต่ำสุดในหนึ่งฤดูกาลที่เล่นโดยผู้เล่น
# 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
นับ
การนับจำนวนข้อมูลต่อกลุ่มนั้นเป็นสิ่งที่ควรทำเสมอ ใน R ฟังก์ชัน n() จะส่งคืนจำนวนแถวในกลุ่มปัจจุบัน
ตัวอย่างเช่นโค้ดด้านล่างนี้จะคำนวณจำนวนปีที่เล่นโดยผู้เล่นแต่ละคน
# 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
ครั้งแรกและครั้งสุดท้าย
คุณสามารถเลือกตำแหน่งแรก สุดท้าย หรือตำแหน่งที่ n ของกลุ่มได้
ตัวอย่างเช่น คุณสามารถค้นหาปีแรกและปีสุดท้ายของผู้เล่นแต่ละคนได้
# 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
การสังเกตครั้งที่ n
ฟังก์ชัน nth() เป็นฟังก์ชันเสริมของ first() และ last() โดยจะส่งคืนค่าสังเกตการณ์ที่ดัชนีที่คุณป้อนภายในแต่ละกลุ่ม
ตัวอย่างเช่น คุณสามารถกรองเฉพาะปีที่สองที่ทีมเล่นได้
# 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
จำนวนการสังเกตที่แตกต่างกัน
n() จะส่งคืนจำนวนแถวในกลุ่มปัจจุบัน ส่วน n_distinct() ที่เกี่ยวข้องนั้นจะนับค่าที่ไม่ซ้ำกันแทน
ในตัวอย่างถัดไป คุณจะบวกจำนวนผู้เล่นทั้งหมดที่ทีมคัดเลือกระหว่างช่วงเวลาทั้งหมด
# distinct values data %>% group_by(teamID) %>% summarise(number_player = n_distinct(playerID)) %>% arrange(desc(number_player))
Code คำอธิบาย
- group_by(teamID): จัดกลุ่มตามทีม
- สรุป(จำนวนผู้เล่น = n_แตกต่าง(playerID)): นับจำนวนผู้เล่นที่ไม่ซ้ำกันในแต่ละทีม
- Arrange(desc(number_player)): จัดเรียงข้อมูลตามจำนวนผู้เล่น
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
หลายกลุ่ม
สถิติสรุปสามารถรับรู้ได้ในหลายกลุ่ม
# Multiple groups data %>% group_by(yearID, teamID) %>% summarise(mean_games = mean(G)) %>% arrange(desc(teamID, yearID))
Code คำอธิบาย
- group_by(yearID, teamID): จัดกลุ่มตามปี และ ทีม
- summarise(mean_games = mean(G)): หาค่าเฉลี่ยของจำนวนเกมที่เล่น
- Arrange(desc(teamID, yearID)): จัดเรียงข้อมูลตามทีมและปี
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
ตัวกรอง
ก่อนที่คุณจะดำเนินการใดๆ คุณสามารถกรองชุดข้อมูลได้ ชุดข้อมูลเริ่มต้นในปี พ.ศ. 1871 และการวิเคราะห์ไม่จำเป็นต้องมีปีก่อนหน้า พ.ศ. 1980
# Filter data %>% filter(yearID > 1980) %>% group_by(yearID) %>% summarise(mean_game_year = mean(G))
Code คำอธิบาย
- filter(yearID > 1980): กรองข้อมูลเพื่อแสดงเฉพาะปีที่เกี่ยวข้อง (เช่น หลังปี 1980)
- group_by(yearID): จัดกลุ่มตามปี
- summarise(mean_game_year = mean(G)): สรุปข้อมูล
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
ยกเลิกการจัดกลุ่ม
สุดท้าย คุณต้องกำจัดดินเหนียวออกไปping ก่อนที่จะเปลี่ยนระดับที่ใช้ในการคำนวณ หากไม่มี ungroup() ฟังก์ชัน summarise() ตัวที่สองจะยังคงทำงานแยกตามผู้เล่นแต่ละคน
# 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 คำอธิบาย
- filter(HR >0) : ไม่รวมโฮมรันเป็นศูนย์
- group_by (playerID): จัดกลุ่มตามผู้เล่น
- สรุป (ค่าเฉลี่ย_HR_game = ผลรวม (HR) / ผลรวม (G)): คำนวณโฮมรันเฉลี่ยตามผู้เล่น
- ungroup(): ลบกลุ่มออกping
- summarise(total_average_homerun = mean(average_HR_game)): สรุปข้อมูล
Output:
## # A tibble: 1 x 1 ## total_average_homerun ## <dbl> ## 1 0.06882226
วิธีสรุปข้อมูลจากหลายคอลัมน์ด้วยฟังก์ชัน across()
ตัวอย่างข้างต้นทั้งหมดระบุชื่อคอลัมน์ทีละคอลัมน์ เมื่อต้องการสถิติเดียวกันสำหรับหลายคอลัมน์ ฟังก์ชัน across() จะนำสถิตินั้นไปใช้กับทุกคอลัมน์ในการเรียกเพียงครั้งเดียว
# 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)))
ปัจจัยสามประการที่ควบคุมพฤติกรรม:
- .คอลัมน์: คอลัมน์ที่จะดำเนินการ เขียนด้วยตัวช่วยเดียวกันกับ select() รวมถึง where(is.numeric)
- .fns: ฟังก์ชันหนึ่งฟังก์ชัน หรือรายการฟังก์ชันที่มีชื่อ เพื่อนำไปใช้กับแต่ละคอลัมน์
- ชื่อ: รูปแบบการตั้งชื่อสำหรับผลลัพธ์ โดยที่ {.col} คือคอลัมน์ และ {.fn} คือชื่อฟังก์ชัน
ฟังก์ชัน `across()` ได้เข้ามาแทนที่ฟังก์ชันช่วย `summarise_all(), summarise_at()` และ `summarise_if()` เดิมใน dplyr เวอร์ชัน 1.0.0 ฟังก์ชันเหล่านั้นยังคงทำงานได้ แต่ถูกแทนที่แล้ว ดังนั้นโค้ดใหม่ควรใช้ฟังก์ชัน `across()` แทน
ข้อผิดพลาดทั่วไปของฟังก์ชัน summarise() และวิธีแก้ไข
สี่ปัญหาหลักที่เป็นสาเหตุให้การรวมข้อมูลล้มเหลวส่วนใหญ่มีดังนี้
- ผลลัพธ์คือ NA ฟังก์ชัน mean() และ sum() จะคืนค่า NA หากมีค่าใดค่าหนึ่งหายไป ให้เพิ่ม na.rm = TRUE ดังเช่นตัวอย่าง mean_SH ด้านบน
- ข้อความ “ฟังก์ชัน summarise() ได้จัดกลุ่มผลลัพธ์แล้ว” กลุ่มping การจัดกลุ่มผลลัพธ์โดยใช้ตัวแปรสองตัวตามตัวแปรตัวแรก ต้องใช้ `.groups = “drop”` เพื่อลบการจัดกลุ่มpingหรือเรียก ungroup() ในภายหลัง
- การคำนวณในภายหลังให้ค่าระดับที่ไม่ถูกต้อง ดาต้าเฟรมจะยังคงอยู่ในกลุ่มเดิมจนกว่าคุณจะยกเลิกการจัดกลุ่ม ดังนั้นจึงต้องเรียกใช้ summarise() ครั้งที่สองสำหรับแต่ละกลุ่ม ซึ่งเป็นสิ่งที่ตัวอย่าง ungroup() แสดงให้เห็นอย่างชัดเจน
- ผลลัพธ์มีจำนวนแถวมากกว่าที่คาดไว้ ฟังก์ชัน summarise() จะส่งคืนหนึ่งแถวต่อกลุ่ม ดังนั้นกลุ่มที่ไม่ได้ตั้งใจจึงอาจแสดงผลออกมาping ตัวแปรจะคูณผลลัพธ์ ตรวจสอบบรรทัด “Groups:” ที่พิมพ์อยู่เหนือตารางข้อมูลใดๆ
# Drop the grouping as part of the call data %>% group_by(yearID, teamID) %>% summarise(mean_games = mean(G), .groups = "drop")
summarise() ใน R: คู่มืออ้างอิงฟังก์ชัน
หากต้องการแสดงผลสรุปแยกตามกลุ่ม ให้แยกข้อมูลก่อน:
# group by X1, X2, X3 group_by(df, X1, X2, X3)
และกำจัดดินping เมื่อการคำนวณเปลี่ยนระดับ:
ungroup(df)
ตารางด้านล่างแสดงรายการฟังก์ชันทั้งหมดที่ใช้ร่วมกับ summarise() ในบทช่วยสอนนี้:
| วิธี | ฟังก์ชัน | Code |
|---|---|---|
| หมายความ | หมายความ |
summarise(df, mean_x1 = mean(x1))
|
| มัธยฐาน | มัธยฐาน |
summarise(df, median_x1 = median(x1)) |
| รวม | รวม |
summarise(df, sum_x1 = sum(x1))
|
| ส่วนเบี่ยงเบนมาตรฐาน | sd |
summarise(df, sd_x1 = sd(x1)) |
| ควอไทล์ | ไอคิวอาร์ |
summarise(df, interquartile_x1 = IQR(x1)) |
| ขั้นต่ำ | นาที |
summarise(df, minimum_x1 = min(x1)) |
| สูงสุด | แม็กซ์ |
summarise(df, maximum_x1 = max(x1))
|
| ปริมาณ | ปริมาณ |
summarise(df, quantile_x1 = quantile(x1, probs = 0.75))
|
| การสังเกตครั้งแรก | เป็นครั้งแรก |
summarise(df, first_x1 = first(x1)) |
| การสังเกตครั้งสุดท้าย | ล่าสุด |
summarise(df, last_x1 = last(x1)) |
| การสังเกตครั้งที่ n | ที่ n |
summarise(df, nth_x1 = nth(x1, 2)) |
| จำนวนครั้งที่เกิดขึ้น | n |
summarise(df, n_x1 = n()) |
| จำนวนเหตุการณ์ที่แตกต่างกัน | n_แตกต่าง |
summarise(df, n_distinct_x1 = n_distinct(x1)) |
