R Сукупна функція: Узагальнення & Приклад Group_by ()

Короткий зміст змінної важливо, щоб мати уявлення про дані. Хоча підсумовування змінної за групами дає кращу інформацію про розподіл даних.

У цьому посібнику ви дізнаєтесь, як узагальнити набір даних за групами за допомогою бібліотеки dplyr.

У цьому підручнику ви дізнаєтесь

• Підсумувати ()
• Group_by проти no group_by
• Функція в summise ()
• Основна функція
• Підмножина
• Сума
• Стандартне відхилення
• Мінімум і максимум
• Рахувати
• Перший і останній
• n-те спостереження
• Кілька груп
• Фільтр
• Розгрупувати

Для цього підручника ви будете використовувати набір даних про ватин. Оригінальний набір даних містить 102816 спостережень та 22 змінні. Ви будете використовувати лише 20 відсотків цього набору даних і використовувати такі змінні:

• playerID: Ідентифікаційний код гравця. Фактор
• yearID: Рік. Фактор
• teamID: Команда. фактор
• lgID: Ліга. Фактор: AA AL FL NL PL UA
• А. Б .: У кажанів. Числовий
• G: Ігри: кількість ігор гравця. Числовий
• Р: Біжить. Числовий
• HR: Гомеруни. Числовий
• SH: Хіти жертв. Числовий

Перш ніж виконувати підсумок, виконайте такі дії для підготовки даних:

• Крок 1: Імпортуйте дані
• Крок 2: Виберіть відповідні змінні
• Крок 3: Відсортуйте дані

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)

Хорошою практикою при імпорті набору даних є використання функції glimpse (), щоб мати уявлення про структуру набору даних.

# Structure of the dataglimpse(data)

Вихід:

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,… 

Підсумувати ()

Синтаксис summarize () є основним і узгоджується з іншими дієсловами, що входять до бібліотеки dplyr.

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

Подивіться на код нижче:

summarise(data, mean_run =mean(R))

Пояснення коду

• підсумовувати (data, mean_run = mean (R)): Створює змінну з іменем mean_run, яка є середнім значенням стовпця, запущеного з даних набору даних.

Вихід:

## mean_run## 1 19.20114

Ви можете додати скільки завгодно змінних. Ви повертаєте середню кількість зіграних ігор та середні показники жертви.

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

Пояснення коду

• mean_SH = середнє (SH, na.rm = TRUE): Підсумуйте другу змінну. Ви встановлюєте na.rm = TRUE, оскільки стовпець SH містить відсутні спостереження.

Вихід:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by проти no group_by

Функція summerise () без group_by () не має жодного сенсу. Він створює зведену статистику за групами. Бібліотека dplyr автоматично застосовує функцію до групи, яку ви передали всередині дієслова group_by.

Зверніть увагу, що group_by чудово працює з усіма іншими дієсловами (тобто mutate (), filter (), порядок (), ...).

Зручно використовувати оператора трубопроводу, коли у вас більше одного кроку. Ви можете обчислити середнього показника гомеруна за бейсбольною лігою.

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

Пояснення коду

• data: Набір даних, що використовується для побудови зведеної статистики
• group_by (lgID): Обчисліть підсумок, згрупувавши змінну `lgID
• підсумувати (середнє_біг = середнє (HR)): Обчислити середній показник хомеруна

Вихід:

### 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

Оператор каналу також працює з ggplot (). Ви можете легко показати зведену статистику на графіку. Всі щаблі просуваються всередину трубопроводу, доки захоплення не буде прокладено. Здається більш візуальним бачити середнього гомеруна за лігою зі стовпчиком. Наведений нижче код демонструє можливість поєднання group_by (), summise () та ggplot () разом.

Ви зробите наступний крок:

• Крок 1: Виберіть кадр даних
• Крок 2: Групуйте дані
• Крок 3: Узагальніть дані
• Крок 4: Складіть підсумкову статистику

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()"))

Вихід:

Функція в summise ()

Дієслово summarize () сумісне майже з усіма функціями в R. Ось короткий перелік корисних функцій, які ви можете використовувати разом із summarize ():

Ми побачимо приклади для всіх функцій таблиці 1.

Основна функція

У попередньому прикладі ви не зберігали зведену статистику у фреймі даних.

Ви можете виконати два кроки, щоб створити кадр дати з резюме:

• Крок 1: Зберігайте фрейм даних для подальшого використання
• Крок 2: Використовуйте набір даних, щоб створити лінійний графік

Крок 1) Ви обчислюєте середню кількість зіграних ігор за роками.

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

Пояснення коду

• Зведена статистика набору даних ватин зберігається у фреймі даних ex1.

Вихід:

## # 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

Крок 2) Ви показуєте зведену статистику з лінійним графіком і бачите тенденцію.

# 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"))

Вихід:

Підмножина

Функція summarize () сумісна з підмножинами.

## 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]))

Пояснення коду

• median_at_bat_league_no_zero = медіана (AB [AB> 0]): Змінна AB містить партії 0. Ви можете порівняти медіану змінної at з і без 0.

Вихід:

## # 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

Сума

Ще одна корисна функція для агрегування змінної - sum ().

Ви можете перевірити, в яких лігах більше гомерунів.

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

Вихід:

## # 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

Стандартне відхилення

Розподіл даних обчислюється із стандартним відхиленням або sd () у R.

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

Вихід:

## # 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

Існує багато нерівностей у кількості завдань, виконаних кожною командою.

Мінімум і максимум

Ви можете отримати доступ до мінімуму та максимуму вектора за допомогою функції min () та max ().

Наведений нижче код відображає найменшу та найбільшу кількість ігор за сезон, проведених гравцем.

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

Вихід:

## # 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

Рахувати

Підрахувати спостереження за групами - це завжди гарна ідея. За допомогою R ви можете агрегувати кількість випадків за допомогою n ().

Наприклад, код нижче обчислює кількість років, зіграних кожним гравцем.

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

Вихід:

## # 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

Перший і останній

Ви можете вибрати першу, останню або n-ту позицію групи.

Наприклад, ви можете знайти перший і останній рік кожного гравця.

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

Вихід:

## # 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-те спостереження

Фонд nth () доповнює first () та last (). Ви можете отримати доступ до n-го спостереження в групі з індексом для повернення.

Наприклад, ви можете відфільтрувати лише другий рік, коли грала команда.

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

Вихід:

## # 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

Чітка кількість спостережень

Функція n () повертає кількість спостережень у поточній групі. Закритою функцією для n () є n_distinct (), яка підраховує кількість унікальних значень.

У наступному прикладі ви підсумовуєте загальну кількість гравців, набраних командою протягом усіх періодів.

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

Пояснення коду

• group_by (teamID): Групуйте за роками та командами
• підвести підсумок (number_player = n_distinct (playerID)): підрахувати різну кількість гравців за командою
• домовитись (desc (number_player)): Сортувати дані за номером гравця

Вихід:

## # 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

Кілька груп

Зведена статистика може бути реалізована серед багатьох груп.

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

Пояснення коду

• group_by (yearID, teamID): Групувати за роком та командою
• підсумовувати (mean_games = mean (G)): Підсумовувати кількість гравців гри
• упорядкувати (desc (teamID, yearID)): Сортувати дані за командою та роком

Вихід:

## # 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 

Фільтр

Перш ніж збиратися виконати операцію, ви можете відфільтрувати набір даних. Набір даних починається в 1871 році, і для аналізу не потрібні роки до 1980 року.

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

Пояснення коду

• filter (yearID> 1980): відфільтруйте дані, щоб відобразити лише відповідні роки (тобто після 1980)
• group_by (yearID): Групувати за роками
• підсумовувати (mean_game_year = mean (G)): Узагальнювати дані

Вихід:

## # 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

Розгрупувати

І останнє, але не менш важливе: вам потрібно видалити групування, перш ніж ви хочете змінити рівень обчислень.

# 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))

Пояснення коду

• фільтр (HR> 0): Виключити нульове значення хомеруна
• group_by (playerID): група за гравцем
• підвести підсумок (середня_ГР_ігра = сума (ЧСС) / сума (Г)): Обчислити середній показник хомеруну за гравцем
• розгрупувати (): видалити групування
• підсумовувати (total_average_homerun = середнє (середня_HR_game)): узагальнювати дані

Вихід:

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

Резюме

Коли ви хочете повернути підсумок за групою, ви можете використовувати:

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

вам потрібно розгрупувати дані за допомогою:

ungroup(df) 

У наведеній нижче таблиці узагальнено вивчену вами функцію 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))