{"id":2856,"date":"2023-07-20T09:27:24","date_gmt":"2023-07-20T09:27:24","guid":{"rendered":"https:\/\/statorials.org\/de\/kumulativer-durchschnitt-in-r\/"},"modified":"2023-07-20T09:27:24","modified_gmt":"2023-07-20T09:27:24","slug":"kumulativer-durchschnitt-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/kumulativer-durchschnitt-in-r\/","title":{"rendered":"So berechnen sie einen kumulativen durchschnitt in r"},"content":{"rendered":"

<\/p>\n

\n

Ein kumulativer Durchschnitt<\/strong> gibt uns den Durchschnitt einer Reihe von Werten bis zu einem bestimmten Punkt an.<\/span><\/p>\n

Sie k\u00f6nnen die folgenden Methoden verwenden, um den kumulierten Durchschnitt der Werte in R zu berechnen:<\/span><\/p>\n

Methode 1: Verwenden Sie Base R<\/strong><\/span><\/p>\n

 cum_avg <- cumsum(x) \/ seq_along(x)<\/strong><\/pre>\n
 Methode 2: dplyr verwenden<\/strong><\/span><\/p>\n
 library<\/span> (dplyr)\n\ncum_avg <- cummean(x)<\/strong><\/pre>\n
 Beide Methoden liefern genau das gleiche Ergebnis, aber die dplyr-<\/strong> Methode ist bei gro\u00dfen Datenrahmen tendenziell schneller.<\/span><\/p>\n
 Die folgenden Beispiele zeigen, wie jede Methode in der Praxis mit dem folgenden Datenrahmen in R verwendet wird:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (day=seq(1:16),\n                 sales=c(3, 6, 0, 2, 4, 1, 0, 1, 4, 7, 3, 3, 8, 3, 5, 5))\n\n#view head of data frame\n<\/span>head(df)\n\n  day sales\n1 1 3\n2 2 6\n3 3 0\n4 4 2\n5 5 4\n6 6 1\n<\/strong><\/pre>\n
 Beispiel 1: Berechnen Sie den kumulativen Durchschnitt mithilfe der R-Basis<\/strong><\/span><\/h3>\n
 Mit dem folgenden Code k\u00f6nnen wir unserem Datenrahmen eine neue Spalte hinzuf\u00fcgen, die den kumulierten Umsatzdurchschnitt anzeigt:<\/span><\/p>\n
 #add new column that contains cumulative avg. of sales\n<\/span>df$cum_avg_sales <- cumsum(df$sales) \/ seq_along(df$sales) \n\n#view updated data frame\n<\/span>df\n\n   day sales cum_avg_sales\n1 1 3 3.000000\n2 2 6 4.500000\n3 3 0 3.000000\n4 4 2 2.750000\n5 5 4 3.000000\n6 6 1 2.666667\n7 7 0 2.285714\n8 8 1 2.125000\n9 9 4 2.333333\n10 10 7 2.800000\n11 11 3 2.818182\n12 12 3 2.833333\n13 13 8 3.230769\n14 14 3 3.214286\n15 15 5 3.333333\n16 16 5 3.437500\n<\/strong><\/span><\/pre>\n
 Die kumulierten Durchschnittswerte w\u00fcrden wir wie folgt interpretieren:<\/span><\/p>\n