Funzione di aggregazione R: riepiloga & Group_by () Esempio

Il riepilogo di una variabile è importante per avere un'idea dei dati. Tuttavia, riassumere una variabile per gruppo fornisce informazioni migliori sulla distribuzione dei dati.

In questo tutorial imparerai come riassumere un set di dati per gruppo con la libreria dplyr.

In questo tutorial imparerai

• Riassumere()
• Group_by vs no group_by
• Funzione in summarize ()
• Funzione di base
• Sottoinsieme
• Somma
• Deviazione standard
• Minimo e massimo
• Contare
• Primo e ultimo
• ennesima osservazione
• Più gruppi
• Filtro
• Separa

Per questo tutorial, utilizzerai il set di dati di battuta. Il set di dati originale contiene 102816 osservazioni e 22 variabili. Utilizzerai solo il 20 percento di questo set di dati e utilizzerai le seguenti variabili:

• playerID: codice ID giocatore. Fattore
• yearID: anno. Fattore
• teamID: squadra. fattore
• lgID: League. Fattore: AA AL FL NL PL UA
• AB: Ai pipistrelli. Numerico
• G: Giochi: numero di partite di un giocatore. Numerico
• R: Corre. Numerico
• HR: Homeruns. Numerico
• SH: Il sacrificio colpisce. Numerico

Prima di eseguire il riepilogo, eseguirai i seguenti passaggi per preparare i dati:

• Passaggio 1: importa i dati
• Passaggio 2: selezionare le variabili rilevanti
• Passaggio 3: ordina i dati

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)

Una buona pratica quando importi un set di dati è usare la funzione glimpse () per avere un'idea della struttura del set di dati.

# Structure of the dataglimpse(data)

Produzione:

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,… 

Riassumere()

La sintassi di summarize () è basilare e coerente con gli altri verbi inclusi nella libreria dplyr.

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

Guarda il codice qui sotto:

summarise(data, mean_run =mean(R))

Spiegazione del codice

• summarize (data, mean_run = mean (R)): crea una variabile denominata mean_run che è la media della colonna eseguita dai dati del set di dati.

Produzione:

## mean_run## 1 19.20114

Puoi aggiungere tutte le variabili che desideri. Restituisci le partite medie giocate e i colpi medi di sacrificio.

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

Spiegazione del codice

• mean_SH = mean (SH, na.rm = TRUE): riassume una seconda variabile. Hai impostato na.rm = TRUE perché la colonna SH contiene osservazioni mancanti.

Produzione:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

La funzione summerise () senza group_by () non ha alcun senso. Crea statistiche riassuntive per gruppo. La libreria dplyr applica automaticamente una funzione al gruppo passato all'interno del verbo group_by.

Nota che group_by funziona perfettamente con tutti gli altri verbi (cioè mutate (), filter (), arrangia (), ...).

È conveniente utilizzare l'operatore pipeline quando si dispone di più di un passaggio. Puoi calcolare l'homerun medio per lega di baseball.

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

Spiegazione del codice

• dati: set di dati utilizzato per costruire le statistiche di riepilogo
• group_by (lgID): calcola il riepilogo raggruppando la variabile `lgID
• summarize (mean_run = mean (HR)): Calcola l'homerun medio

Produzione:

### 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

L'operatore pipe funziona anche con ggplot (). Puoi facilmente mostrare la statistica di riepilogo con un grafico. Tutti i passaggi vengono inseriti nella pipeline fino a quando il grap non viene tracciato. Sembra più visivo vedere la media degli homerun per campionato con un bar char. Il codice seguente dimostra la potenza della combinazione di group_by (), summarize () e ggplot () insieme.

Farai il seguente passaggio:

• Passaggio 1: selezionare il frame di dati
• Passaggio 2: dati del gruppo
• Passaggio 3: riepiloga i dati
• Passaggio 4: tracciare le statistiche di riepilogo

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()"))

Produzione:

Funzione in summarize ()

Il verbo summarize () è compatibile con quasi tutte le funzioni in R. Ecco un breve elenco di funzioni utili che puoi usare insieme a summarize ():

Vedremo esempi per ogni funzione della tabella 1.

Funzione di base

Nell'esempio precedente, non hai memorizzato la statistica di riepilogo in un frame di dati.

Puoi procedere in due passaggi per generare un riquadro della data da un riepilogo:

• Passaggio 1: memorizzare il frame di dati per un ulteriore utilizzo
• Passaggio 2: utilizzare il set di dati per creare un grafico a linee

Passaggio 1) Calcola il numero medio di partite giocate per anno.

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

Spiegazione del codice

• La statistica riassuntiva del set di dati di battuta è memorizzata nel frame di dati ex1.

Produzione:

## # 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

Passaggio 2) Mostra la statistica di riepilogo con un grafico a linee e vedi la tendenza.

# 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"))

Produzione:

Sottoinsieme

La funzione summarize () è compatibile con il sottoinsieme.

## 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]))

Spiegazione del codice

• median_at_bat_league_no_zero = median (AB [AB> 0]): La variabile AB contiene lotti di 0. Puoi confrontare la mediana della variabile at bat con e senza 0.

Produzione:

## # 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

Somma

Un'altra funzione utile per aggregare la variabile è sum ().

Puoi controllare quali campionati hanno più homerun.

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

Produzione:

## # 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

Deviazione standard

La diffusione dei dati viene calcolata con la deviazione standard o sd () in R.

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

Produzione:

## # 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

Ci sono molte disuguaglianze nella quantità di homerun fatto da ogni squadra.

Minimo e massimo

È possibile accedere al minimo e al massimo di un vettore con le funzioni min () e max ().

Il codice seguente restituisce il numero più basso e più alto di partite in una stagione giocate da un giocatore.

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

Produzione:

## # 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

Contare

Contare le osservazioni per gruppo è sempre una buona idea. Con R, puoi aggregare il numero di occorrenze con n ().

Ad esempio, il codice seguente calcola il numero di anni giocati da ciascun giocatore.

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

Produzione:

## # 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

Primo e ultimo

È possibile selezionare la prima, l'ultima o l'ennesima posizione di un gruppo.

Ad esempio, puoi trovare il primo e l'ultimo anno di ogni giocatore.

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

Produzione:

## # 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

ennesima osservazione

La funzione nth () è complementare a first () e last (). È possibile accedere all'ennesima osservazione all'interno di un gruppo con l'indice da restituire.

Ad esempio, puoi filtrare solo il secondo anno in cui una squadra ha giocato.

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

Produzione:

## # 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

Numero distinto di osservazioni

La funzione n () restituisce il numero di osservazioni in un gruppo corrente. Una funzione chiusa per n () è n_distinct (), che conta il numero di valori univoci.

Nel prossimo esempio, si somma il totale dei giocatori reclutati da una squadra durante tutti i periodi.

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

Spiegazione del codice

• group_by (teamID): Raggruppa per anno e team
• summarize (number_player = n_distinct (playerID)): conta il numero distinto di giocatori per squadra
• organizzare (desc (number_player)): Ordina i dati in base al numero di giocatori

Produzione:

## # 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

Più gruppi

È possibile realizzare una statistica riassuntiva tra più gruppi.

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

Spiegazione del codice

• group_by (yearID, teamID): Raggruppa per anno e team
• summarize (mean_games = mean (G)): riassume il numero di giocatori
• organizzare (desc (teamID, yearID)): Ordina i dati per team e anno

Produzione:

## # 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 

Filtro

Prima di eseguire un'operazione, è possibile filtrare il set di dati. Il set di dati inizia nel 1871 e l'analisi non necessita degli anni precedenti al 1980.

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

Spiegazione del codice

• filter (yearID> 1980): filtra i dati per mostrare solo gli anni rilevanti (cioè dopo il 1980)
• group_by (yearID): Raggruppa per anno
• summarize (mean_game_year = mean (G)): riepiloga i dati

Produzione:

## # 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

Separa

Ultimo ma non meno importante, è necessario rimuovere il raggruppamento prima di voler modificare il livello di calcolo.

# 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))

Spiegazione del codice

• filtro (HR> 0): esclude zero homerun
• group_by (playerID): raggruppa per giocatore
• summarize (average_HR_game = sum (HR) / sum (G)): calcola la media di homerun per giocatore
• ungroup (): rimuove il raggruppamento
• summarize (total_average_homerun = mean (average_HR_game)): Riepiloga i dati

Produzione:

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

Sommario

Quando desideri restituire un riepilogo per gruppo, puoi utilizzare:

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

è necessario separare i dati con:

ungroup(df) 

La tabella seguente riassume la funzione che hai appreso con summarize ()

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))