R Skupna funkcija: Sažeti & Primjer grupe_ ()

Sažetak varijable važan je da biste imali ideju o podacima. Iako sažimanje varijable po skupinama daje bolje informacije o raspodjeli podataka.

U ovom vodiču naučit ćete kako sažeti skup podataka po grupi s bibliotekom dplyr.

U ovom ćete tutorijalu naučiti

• Rezimirati()
• Group_by vs no group_by
• Funkcija u sažetku ()
• Osnovna funkcija
• Podsustav
• Iznos
• Standardno odstupanje
• Minimum i maksimum
• Računati
• Prvi i zadnji
• n-to opažanje
• Više grupa
• filtar
• Razgrupiraj se

Za ovaj ćete vodič upotrijebiti skup podataka za udaranje. Izvorni skup podataka sadrži 102816 promatranja i 22 varijable. Upotrijebit ćete samo 20 posto ovog skupa podataka i koristiti sljedeće varijable:

• playerID: ID kod igrača. Faktor
• yearID: Godina. Faktor
• teamID: Tim. faktor
• lgID: Liga. Čimbenik: AA AL FL NL PL UA
• AB: Kod šišmiša. Numerički
• G: Igre: broj igara igrača. Numerički
• R: Trči. Numerički
• HR: Homeruni. Numerički
• SH: Hitovi za žrtve. Numerički

Prije nego što izvršite sažetak, napravit ćete sljedeće korake za pripremu podataka:

• Korak 1: Uvezite podatke
• Korak 2: Odaberite relevantne varijable
• Korak 3: sortiranje podataka

library(dplyr)# Step 1data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") %> %# Step 2select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) %> %# Step 3arrange(playerID, teamID, yearID)

Dobra praksa prilikom uvoza skupa podataka je upotreba funkcije glimpse () da biste dobili ideju o strukturi skupa podataka.

# Structure of the dataglimpse(data)

Izlaz:

Observations: 104,324Variables: 9$ playerID  aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a… $ yearID  2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196… $ AB  1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495,… $ teamID  ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A… $ lgID  NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL,… $ G  33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15… $ R  0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75… $ HR  0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40… $ SH  0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6,… 

Rezimirati()

Sintaksa summarize () osnovna je i u skladu s ostalim glagolima uključenim u biblioteku dplyr.

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

Pogledajte kod u nastavku:

summarise(data, mean_run =mean(R))

Objašnjenje koda

• sažeti (podaci, srednje_run = srednje (R)): Stvara varijablu pod nazivom srednja_runa koja je prosjek pokretanja stupca iz podataka skupa podataka.

Izlaz:

## mean_run## 1 19.20114

Možete dodati onoliko varijabli koliko želite. Vraćate prosjek odigranih igara i prosječne pogođene žrtve.

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

Objašnjenje koda

• mean_SH = mean (SH, na.rm = TRUE): Sažmi drugu varijablu. Postavljate na.rm = TRUE jer stupac SH sadrži opažanja koja nedostaju.

Izlaz:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Funkcija summerise () bez group_by () nema nikakvog smisla. Izrađuje sažetu statistiku po skupinama. Biblioteka dplyr automatski primjenjuje funkciju na grupu koju ste proslijedili unutar glagola group_by.

Imajte na umu da group_by savršeno radi sa svim ostalim glagolima (tj. Mutate (), filter (), order (), ...).

Prikladno je koristiti operatora cjevovoda kada imate više od jednog koraka. Možete izračunati prosječni homerun prema bejzbol ligi.

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

Objašnjenje koda

• podaci: Skup podataka koji se koristi za izradu sažetke statistike
• group_by (lgID): Izračunajte sažetak grupiranjem varijable `lgID
• sažeti (mean_run = mean (HR)): Izračunati prosječni homerun

Izlaz:

### A tibble: 7 x 2## lgID mean_run##  ## 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  0.2867133

Operator cijevi radi i s ggplot (). Sažeti statistički podatak možete jednostavno prikazati grafikonom. Svi se koraci guraju unutar cjevovoda dok se grabež ne iscrta. Čini se vizualnijim vidjeti prosječnog homeruna po ligama s poluga. Kôd u nastavku pokazuje snagu kombiniranja group_by (), summarize () i ggplot () zajedno.

Učinit ćete sljedeći korak:

• Korak 1: Odaberite okvir podataka
• Korak 2: grupiranje podataka
• Korak 3: Sažeti podatke
• Korak 4: Nacrtajte sažete statistike

library(ggplot2)# Step 1data % > %#Step 2group_by(lgID) % > %#Step 3summarise(mean_home_run = mean(HR)) % > %#Step 4ggplot(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()"))

Izlaz:

Funkcija u sažetku ()

Glagol summarize () kompatibilan je sa gotovo svim funkcijama u R. Evo kratkog popisa korisnih funkcija koje možete koristiti zajedno sa summarize ():

Vidjet ćemo primjere za sve funkcije tablice 1.

Osnovna funkcija

U prethodnom primjeru niste spremili sažetu statistiku u podatkovni okvir.

U dva koraka možete generirati datumski okvir iz sažetka:

• Korak 1: Spremite podatkovni okvir za daljnju upotrebu
• Korak 2: Upotrijebite skup podataka za izradu crteža crte

Korak 1) Izračunavate prosječni broj odigranih igara po godini.

## Meanex1 <- data % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))head(ex1)

Objašnjenje koda

• Sažeti statistički podaci o battingu spremaju se u podatkovni okvir ex1.

Izlaz:

## # A tibble: 6 x 2## yearID mean_game_year##  ## 1 1871 23.42308## 2 1872 18.37931## 3 1873 25.61538## 4 1874 39.05263## 5 1875 28.39535## 6 1876 35.90625

Korak 2) Sažetu statistiku prikazujete linijskim crtežom i vidite trend.

# Plot the graphggplot(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"))

Izlaz:

Podsustav

Funkcija summarize () kompatibilna je s podskupom.

## Subsetting + Mediandata % > %group_by(lgID) % > %summarise(median_at_bat_league = median(AB),#Compute the median without the zeromedian_at_bat_league_no_zero = median(AB[AB > 0]))

Objašnjenje koda

• median_at_bat_league_no_zero = medijana (AB [AB> 0]): Varijabla AB sadrži puno 0. Možete usporediti medijan varijable at bat sa i bez 0.

Izlaz:

## # A tibble: 7 x 3## lgID median_at_bat_league median_at_bat_league_no_zero##   ## 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  101 101

Iznos

Druga korisna funkcija za agregiranje varijable je sum ().

Možete provjeriti koje lige imaju više homeruna.

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

Izlaz:

## # A tibble: 7 x 2## lgID sum_homerun_league##  ## 1 AA 341## 2 AL 29426## 3 FL 130## 4 NL 29817## 5 PL 98## 6 UA 46## 7  41

Standardno odstupanje

Širenje podataka izračunava se uz standardno odstupanje ili sd () u R.

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

Izlaz:

## # A tibble: 148 x 2## teamID sd_at_bat_league##  ## 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

Mnogo je nejednakosti u količini homeruna koju čini svaki tim.

Minimum i maksimum

Možete pristupiti minimumu i maksimumu vektora pomoću funkcije min () i max ().

Kôd u nastavku prikazuje najmanji i najveći broj igara u sezoni koje je igrač igrao.

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

Izlaz:

## # A tibble: 10,395 x 3## playerID min_G max_G##  ## 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

Računati

Brojanje promatranja po skupinama uvijek je dobra ideja. Pomoću R možete agregirati broj pojavljivanja s n ().

Na primjer, donji kod izračunava broj godina koje je svaki igrač igrao.

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

Izlaz:

## # A tibble: 10,395 x 2## playerID number_year##  ## 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

Prvi i zadnji

Možete odabrati prvo, posljednje ili n-to mjesto grupe.

Na primjer, možete pronaći prvu i zadnju godinu svakog igrača.

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

Izlaz:

## # A tibble: 10,395 x 3## playerID first_appearance last_appearance##   ## 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-to opažanje

Fondacija nth () komplementarna je first () i last (). Možete pristupiti n-tom opažanju unutar grupe s indeksom za povratak.

Na primjer, možete filtrirati samo drugu godinu igranja tima.

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

Izlaz:

## # A tibble: 148 x 2## teamID second_game##  ## 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

Izrazit broj promatranja

Funkcija n () vraća broj promatranja u trenutnoj grupi. Zatvorena funkcija za n () je n_distinct (), koja broji broj jedinstvenih vrijednosti.

U sljedećem primjeru zbrajate ukupan broj igrača koje je momčad regrutirala tijekom svih razdoblja.

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

Objašnjenje koda

• group_by (teamID): Grupiraj po godini i timu
• sažeti (broj_igrača = n_distinct (playerID)): Prebrojite različit broj igrača po timu
• raspored (desc (broj_igrača)): Poredaj podatke prema broju igrača

Izlaz:

## # A tibble: 148 x 2## teamID number_player##  ## 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

Više grupa

Zbirna statistika može se realizirati među više skupina.

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

Objašnjenje koda

• group_by (yearID, teamID): Grupiraj po godini i timu
• sažeti (mean_games = mean (G)): sažeti broj igrača
• raspored (desc (teamID, yearID)): Poredaj podatke po timu i godini

Izlaz:

## # A tibble: 2,829 x 3## # Groups: yearID [146]## yearID teamID mean_games##   ## 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 

filtar

Prije nego što namjeravate izvršiti operaciju, možete filtrirati skup podataka. Skup podataka započinje 1871. godine, a za analizu nisu potrebne godine prije 1980.

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

Objašnjenje koda

• filter (yearID> 1980): Filtrirajte podatke da biste prikazali samo relevantne godine (tj. nakon 1980)
• group_by (yearID): Grupiraj po godini
• sažeti (srednja_igra_godina = srednja (G)): sažeti podatke

Izlaz:

## # A tibble: 36 x 2## yearID mean_game_year##  ## 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

Razgrupiraj se

I na kraju, ali ne najmanje važno, morate ukloniti grupiranje prije nego što želite promijeniti razinu izračuna.

# Ungroup the datadata % > %filter(HR > 0) % > %group_by(playerID) % > %summarise(average_HR_game = sum(HR) / sum(G)) % > %ungroup() % > %summarise(total_average_homerun = mean(average_HR_game))

Objašnjenje koda

• filtar (HR> 0): Izuzmi nulu homerun
• group_by (playerID): grupa po igrač
• sažeti (prosječna_HR_igra = zbroj (HR) / zbroj (G)): Izračunati prosječni broj igrača po igraču
• razgrupiraj (): ukloni grupiranje
• sažeti (total_average_homerun = mean (average_HR_game)): sažeti podatke

Izlaz:

## # A tibble: 1 x 1## total_average_homerun## ## 1 0.06882226

Sažetak

Kada želite vratiti sažetak po grupi, možete koristiti:

# group by X1, X2, X3group(df, X1, X2, X3) 

morate razdvojiti podatke sa:

ungroup(df) 

Tablica u nastavku sažima funkciju koju ste naučili sažeti ()

summarise(df,mean_x1 = mean(x1))

summarise(df,median_x1 = median(x1))

summarise(df,sum_x1 = sum(x1))

summarise(df,sd_x1 = sd(x1))

summarise(df,interquartile_x1 = IQR(x1))

summarise(df,minimum_x1 = min(x1))

summarise(df,maximum_x1 = max(x1))

summarise(df,quantile_x1 = quantile(x1))

summarise(df,first_x1 = first(x1))

summarise(df,last_x1 = last(x1))

summarise(df,nth_x1 = nth(x1, 2))

summarise(df,n_x1 = n(x1))

summarise(df,n_distinct _x1 = n_distinct(x1))