Р Агрегатна функција: Резимирај & амп; Гроуп_би () Пример

Сажетак променљиве је важан да бисте имали представу о подацима. Иако сумирање променљиве по групама даје боље информације о дистрибуцији података.

У овом упутству ћете научити како сумирати скуп података по групи са библиотеком дплир.

У овом упутству ћете научити

• Резимирати()
• Гроуп_би вс но гроуп_би
• Функција у резимеу ()
• Основна функција
• Субсеттинг
• Збир
• Стандардна девијација
• Минимум и максимум
• Цоунт
• Прва и последња
• н-то посматрање
• Више група
• Филтер
• Разгрупиши се

За ово упутство користићете скуп података за ударање. Оригинални скуп података садржи 102816 посматрања и 22 променљиве. Користићете само 20 процената овог скупа података и користићете следеће променљиве:

• плаиерИД: ИД код играча. Фактор
• иеарИД: Година. Фактор
• теамИД: Тим. фактор
• лгИД: Лига. Фактор: АА АЛ ФЛ НЛ ПЛ УА
• АБ: Код слепих мишева. Нумерички
• Г: Игре: број игара играча. Нумерички
• Р: Трчи. Нумерички
• ХР: Хомеруни. Нумерички
• СХ: Хитови за жртве. Нумерички

Пре него што извршите резиме, урадићете следеће кораке за припрему података:

• Корак 1: Увезите податке
• Корак 2: Изаберите релевантне променљиве
• Корак 3: Сортирање података

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)

Добра пракса када увозите скуп података је употреба функције глимпсе () да бисте добили идеју о структури скупа података.

# Structure of the dataglimpse(data)

Излаз:

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,… 

Резимирати()

Синтакса суммаризе () је основна и у складу са осталим глаголима укљученим у библиотеку дплир.

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

Погледајте код испод:

summarise(data, mean_run =mean(R))

Објашњење кода

• резимирај (подаци, средње_рун = средње (Р)): Ствара променљиву са именом средња_руна која је просек покретања колоне из података скупа података.

Излаз:

## mean_run## 1 19.20114

Можете додати онолико променљивих колико желите. Враћате просек одиграних игара и просечне погођене жртве.

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

Објашњење кода

• меан_СХ = меан (СХ, на.рм = ТРУЕ): Сумирајте другу променљиву. Поставили сте на.рм = ТРУЕ, јер колона СХ садржи недостајућа запажања.

Излаз:

## mean_games mean_SH## 1 51.98361 2.340085 

Гроуп_би вс но гроуп_би

Функција суммерисе () без гроуп_би () нема никаквог смисла. Ствара збирну статистику по групама. Библиотека дплир аутоматски примењује функцију на групу коју сте проследили унутар глагола гроуп_би.

Имајте на уму да гроуп_би савршено функционише са свим осталим глаголима (тј. Мутате (), филтер (), лаиоут (),…).

Погодно је користити оператора цевовода када имате више од једног корака. Можете израчунати просечни хомерун по бејзбол лиги.

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

Објашњење кода

• подаци: Скуп података који се користи за израду резиме статистике
• гроуп_би (лгИД): Израчунајте резиме груписањем променљиве `лгИД
• резимирај (средње_кретање = средње (ХР)): Израчунај просечни хомерун

Излаз:

### 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 цеви такође ради са ггплот (). Сажети статистички податак можете лако приказати графиконом. Сви кораци се гурају унутар цевовода док се грабеж не исцрта. Изгледа визуалније видети просечног хомеруна по лиги са штапићем. Доњи код показује снагу комбиновања гроуп_би (), суммаризе () и ггплот () заједно.

Урадићете следећи корак:

• Корак 1: Изаберите оквир података
• Корак 2: Груписање података
• Корак 3: Резимирајте податке
• Корак 4: Уцртајте резиме статистике

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()"))

Излаз:

Функција у резимеу ()

Глагол суммаризе () компатибилан је са готово свим функцијама у Р. Ево кратке листе корисних функција које можете користити заједно са суммаризе ():

Видећемо примере за све функције табеле 1.

Основна функција

У претходном примеру нисте сачували резиме статистику у оквиру података.

Можете да наставите у два корака да бисте генерисали оквир датума из резимеа:

• Корак 1: Спремите оквир података за даљу употребу
• Корак 2: Користите скуп података да бисте креирали линијски приказ

Корак 1) Израчунавате просечан број одиграних игара по години.

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

Објашњење кода

• Збирна статистика података о баттингу се чува у оквиру података ек1.

Излаз:

## # 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

Корак 2) Приказујете резиме статистике са линијским приказом и видите тренд.

# 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"))

Излаз:

Субсеттинг

Функција суммаризе () компатибилна је са подскупом.

## 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]))

Објашњење кода

• медиан_ат_бат_леагуе_но_зеро = медијана (АБ [АБ> 0]): Променљива АБ садржи пуно 0. Можете да упоредите медијану променљиве ат бат са и без 0.

Излаз:

## # 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

Збир

Друга корисна функција за агрегирање променљиве је сум ().

Можете проверити које лиге имају више хомеруна.

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

Излаз:

## # 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

Стандардна девијација

Ширење података израчунава се са стандардном девијацијом или сд () у Р.

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

Излаз:

## # 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

Много је неједнакости у количини хомеруна коју је урадио сваки тим.

Минимум и максимум

Можете приступити минимуму и максимуму вектора помоћу функције мин () и мак ().

Код испод приказује најмањи и највећи број игара у сезони које је играч играо.

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

Излаз:

## # 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

Цоунт

Бројање запажања по групама је увек добра идеја. Помоћу Р можете агрегирати број појављивања са н ().

На пример, доњи код израчунава број година које је сваки играч играо.

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

Излаз:

## # 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

Прва и последња

Можете да изаберете прву, последњу или н-ту позицију групе.

На пример, можете пронаћи прву и последњу годину сваког играча.

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

Излаз:

## # 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

н-то посматрање

Фондација нтх () комплементарна је фирст () и ласт (). Можете да приступите н-том посматрању унутар групе са индексом за повратак.

На пример, можете филтрирати само другу годину играња тима.

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

Излаз:

## # 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

Тачан број посматрања

Функција н () враћа број посматрања у тренутној групи. Затворена функција за н () је н_дистинцт (), која броји број јединствених вредности.

У следећем примеру збрајате укупан број играча које је тим регрутовао током свих периода.

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

Објашњење кода

• гроуп_би (теамИД): Групирај по години и тиму
• резимирај (број_играча = н_дистинцт ( плаиерИД )): Пребројите различит број играча по тиму
• распореди (десц (број_играча)): Сортирај податке по броју играча

Излаз:

## # 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

Више група

Збирна статистика може се реализовати међу више група.

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

Објашњење кода

• гроуп_би (иеарИД, теамИД): Групирај по години и тиму
• сумирај (меан_гамес = меан (Г)): сумирај број играча
• распореди (десц (теамИД, иеарИД)): Сортирај податке по тиму и години

Излаз:

## # 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 

Филтер

Пре него што намеравате да извршите операцију, можете филтрирати скуп података. Скуп података започиње 1871. године, а анализи нису потребне године пре 1980.

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

Објашњење кода

• филтер (иеарИД> 1980): Филтрирајте податке тако да приказују само релевантне године (тј. после 1980)
• гроуп_би (иеарИД): Групирај по години
• сумирај (средња_игра_година = средња (Г)): сумирај податке

Излаз:

## # 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

Разгрупиши се

И на крају, али не најмање важно, морате уклонити груписање пре него што желите да промените ниво израчунавања.

# 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))

Објашњење кода

• филтер (ХР> 0): Изузми нулу хомерун
• гроуп_би (плаиерИД): група по играч
• резимирај (просечна_игра_игре = сума (ХР) / сума (Г)): Израчунај просечан број играча по играчу
• разгрупиши (): уклони груписање
• резимирај (тотал_авераге_хомерун = меан (авераге_ХР_гаме)): сумирај податке

Излаз:

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

Резиме

Када желите да вратите резиме по групи, можете да користите:

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

потребно је да раздвојите податке са:

ungroup(df) 

Табела у наставку резимира функцију коју сте научили са сумарисе ()

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))