R Súhrnná funkcia: Zhrnutie & Group_by () Príklad

Zhrnutie premennej je dôležité pre získanie predstavy o dátach. Sumarizácia premennej podľa skupiny však poskytuje lepšie informácie o distribúcii údajov.

V tomto výučbe sa dozviete, ako sumarizovať množinu údajov podľa skupiny s knižnicou dplyr.

V tomto návode sa naučíte

• Zhrnutie ()
• Group_by vs no group_by
• Funkcia v súhrne ()
• Základná funkcia
• Podmnožina
• Súčet
• Štandardná odchýlka
• Minimum a maximum
• Gróf
• Prvý a posledný
• n-té pozorovanie
• Viac skupín
• Filtrovať
• Oddeliť

V tomto tutoriále budete používať množinu údajov o odpaľovaní. Pôvodný súbor údajov obsahuje 102816 pozorovaní a 22 premenných. Použijete iba 20 percent tohto súboru údajov a použijete nasledujúce premenné:

• playerID: Identifikačný kód hráča. Faktor
• yearID: Rok. Faktor
• teamID: Tím. faktor
• lgID: liga. Faktor: AA AL FL NL PL UA
• AB: U netopierov. Číselné
• G: Hry: počet hier podľa hráča. Číselné
• R: Beží. Číselné
• HR: Homeruns. Číselné
• SH: Obeta zasiahne. Číselné

Pred vykonaním súhrnu vykonáte nasledujúce kroky na prípravu údajov:

• Krok 1: Importujte údaje
• Krok 2: Vyberte príslušné premenné
• Krok 3: Zoraďte údaje

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)

Dobrým postupom pri importovaní množiny údajov je použitie funkcie glimpse () na získanie predstavy o štruktúre množiny údajov.

# Structure of the dataglimpse(data)

Výkon:

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,… 

Zhrnutie ()

Syntax súhrnu () je základná a konzistentná s ostatnými slovesami zahrnutými v knižnici dplyr.

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

Pozrite sa na kód nižšie:

summarise(data, mean_run =mean(R))

Vysvetlenie kódu

• summarize (data, mean_run = mean (R)): Vytvorí premennú s názvom mean_run, ktorá je priemerom stĺpca spusteného z údajov množiny údajov.

Výkon:

## mean_run## 1 19.20114

Môžete pridať toľko premenných, koľko chcete. Vrátite priemerné hrané hry a priemernú obeť.

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

Vysvetlenie kódu

• mean_SH = mean (SH, na.rm = TRUE): Zhrňte druhú premennú. Nastavíte na.rm = TRUE, pretože stĺpec SH obsahuje chýbajúce pozorovania.

Výkon:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Funkcia summerise () bez group_by () nedáva zmysel. Vytvára súhrnnú štatistiku podľa skupín. Knižnica dplyr automaticky použije funkciu na skupinu, ktorú ste prešli vnútri slovesa group_by.

Upozorňujeme, že group_by funguje perfektne so všetkými ostatnými slovesami (tj. Mutovať (), filtrovať (), usporiadať (), ...).

Je vhodné použiť operátora potrubia, keď máte viac ako jeden krok. Priemernú homerun môžete vypočítať podľa bejzbalovej ligy.

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

Vysvetlenie kódu

• údaje: množina údajov použitá na zostavenie súhrnnej štatistiky
• group_by (lgID): Vypočítajte súhrn zoskupením premennej `lgID
• summarize (mean_run = mean (HR)): Vypočítajte priemerný homerun

Výkon:

### 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

Prevádzkovateľ potrubia pracuje aj s ggplot (). Súhrnnú štatistiku môžete ľahko zobraziť pomocou grafu. Všetky kroky sú zatlačené dovnútra potrubia, až kým sa hrozno nezakreslí. Zdá sa byť vizuálnejším vidieť priemerného homeruna v lige s barovým znakom. Nasledujúci kód demonštruje silu kombinovania group_by (), summarize () a ggplot () dohromady.

Urobíte nasledujúci krok:

• Krok 1: Vyberte dátový rámec
• Krok 2: Zoskupte údaje
• Krok 3: Zhrňte údaje
• Krok 4: Zostrojte súhrnnú štatistiku

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()"))

Výkon:

Funkcia v súhrne ()

Sloveso shrnúť () je kompatibilné s takmer všetkými funkciami v R. Tu je krátky zoznam užitočných funkcií, ktoré môžete použiť spolu so zhrnutím ():

Uvidíme príklady pre všetky funkcie tabuľky 1.

Základná funkcia

V predchádzajúcom príklade ste neuložili súhrnnú štatistiku v dátovom rámci.

Môžete postupovať v dvoch krokoch a vygenerovať zo súhrnu časový rámec:

• Krok 1: Uložte dátový rámec pre ďalšie použitie
• Krok 2: Pomocou množiny údajov vytvorte spojnicový graf

Krok 1) Vypočítate priemerný počet hier hraných podľa rokov.

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

Vysvetlenie kódu

• Súhrnná štatistika súboru údajov o odpaľovaní je uložená v dátovom rámci ex1.

Výkon:

## # 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

Krok 2) Súhrnnú štatistiku zobrazíte čiarovým grafom a uvidíte 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"))

Výkon:

Podmnožina

Funkcia summarize () je kompatibilná s podmnožinou.

## 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]))

Vysvetlenie kódu

• median_at_bat_league_no_zero = median (AB [AB> 0]): Premenná AB obsahuje veľa 0. Medián premennej at bat môžete porovnať s 0 aj bez nej.

Výkon:

## # 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

Súčet

Ďalšou užitočnou funkciou na agregáciu premennej je sum ().

Môžete skontrolovať, ktoré ligy majú viac homerunov.

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

Výkon:

## # 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

Štandardná odchýlka

Spread v dátach sa počíta so štandardnou odchýlkou ​​alebo sd () v R.

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

Výkon:

## # 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

V množstve homerunov, ktoré robí každý tím, existuje veľa nerovností.

Minimum a maximum

K minimu a maximu vektora máte prístup pomocou funkcie min () a max ().

Nasledujúci kód vracia najnižší a najvyšší počet hier v sezóne, ktorú hráč odohral.

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

Výkon:

## # 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

Gróf

Počítanie pozorovaní podľa skupín je vždy dobrý nápad. S R môžete agregovať počet výskytov s n ().

Napríklad kód nižšie počíta počet rokov, ktoré každý hráč hral.

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

Výkon:

## # 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

Prvý a posledný

Môžete zvoliť prvú, poslednú alebo nú pozíciu skupiny.

Napríklad môžete nájsť prvý a posledný rok každého hráča.

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

Výkon:

## # 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-té pozorovanie

Písmo nth () je komplementárne k first () a last (). K n-tému pozorovaniu v rámci skupiny sa môžete vrátiť pomocou indexu.

Môžete napríklad filtrovať iba druhý ročník, ktorý tím hral.

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

Výkon:

## # 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

Rozdielny počet pozorovaní

Funkcia n () vracia počet pozorovaní v aktuálnej skupine. Uzavretá funkcia pre n () je n_distinct (), ktorá počíta počet jedinečných hodnôt.

V nasledujúcom príklade spočítate celkový počet hráčov, ktorých tím získal počas všetkých období.

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

Vysvetlenie kódu

• group_by (teamID): Zoskupiť podľa rokov a tímov
• summarize (number_player = n_distinct (playerID)): Spočítajte zreteľný počet hráčov podľa tímu
• usporiadať (desc (number_player)): Zoradiť údaje podľa počtu hráčov

Výkon:

## # 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

Viac skupín

Súhrnnú štatistiku je možné realizovať medzi viacerými skupinami.

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

Vysvetlenie kódu

• group_by (yearID, teamID): Zoskupiť podľa rokov a tímov
• summarize (mean_games = mean (G)): Zhrňte počet hráčov v hre
• usporiadať (desc (teamID, yearID)): Zoraďte údaje podľa tímu a roku

Výkon:

## # 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 

Filtrovať

Pred plánovanou operáciou môžete dataset filtrovať. Súbor údajov sa začína v roku 1871 a analýza si nevyžaduje roky spred roku 1980.

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

Vysvetlenie kódu

• filter (yearID> 1980): Filtrovanie údajov tak, aby zobrazovali iba príslušné roky (tj po roku 1980)
• group_by (yearID): Zoskupiť podľa rokov
• summarize (mean_game_year = mean (G)): Sumarizuje údaje

Výkon:

## # 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

Oddeliť

V neposlednom rade musíte zmeniť zoskupenie, aby ste mohli zmeniť úroveň výpočtu.

# 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))

Vysvetlenie kódu

• filter (HR> 0): Vylúčiť nulovú homerun
• group_by (playerID): zoskupiť podľa hráča
• summarize (average_HR_game = sum (HR) / sum (G)): Vypočítajte priemernú homerun podľa hráča
• ungroup (): odstrániť zoskupenie
• summarize (total_average_homerun = mean (average_HR_game)): Sumarizuje údaje

Výkon:

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

Zhrnutie

Ak chcete vrátiť súhrn podľa skupiny, môžete použiť:

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

musíte dáta rozdeliť do:

ungroup(df) 

V nasledujúcej tabuľke je zhrnutá funkcia, ktorú ste sa naučili pomocou funkcie shrnutie ()

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))