<\/p>\n
Beschreibende Statistiken<\/strong> sind Werte, die einen Datensatz beschreiben.<\/span><\/p>\n Sie helfen uns zu verstehen, wo sich das Zentrum<\/a> des Datensatzes befindet und wie die Werte im Datensatz verteilt sind.<\/span><\/p>\n Es gibt zwei Funktionen, mit denen wir deskriptive Statistiken in R berechnen k\u00f6nnen:<\/span><\/p>\n Methode 1: Verwenden Sie die Funktion summary()<\/strong><\/span><\/p>\n Die Funktion summary()<\/strong> berechnet die folgenden Werte f\u00fcr jede Variable in einem Datenrahmen in R:<\/span><\/p>\n Methode 2: Verwenden Sie die Funktion sapply()<\/span><\/strong><\/span><\/p>\n Mit der Funktion sapply()<\/strong> k\u00f6nnen f\u00fcr jede Variable in einem Datenrahmen andere deskriptive Statistiken als die mit der Funktion summary()<\/strong> berechneten berechnet werden.<\/span><\/p>\n Beispielsweise berechnet die obige Funktion sapply()<\/strong> die Standardabweichung jeder Variablen in einem Datenrahmen.<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese beiden Funktionen verwendet werden, um deskriptive Statistiken f\u00fcr Variablen in einem Datenrahmen in R zu berechnen.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der drei Variablen enth\u00e4lt:<\/span><\/p>\n Mit der Funktion summary()<\/strong> k\u00f6nnen wir verschiedene deskriptive Statistiken f\u00fcr jede Variable berechnen:<\/span><\/p>\n Wir k\u00f6nnen Klammern auch verwenden, um nur deskriptive Statistiken f\u00fcr bestimmte Variablen im Datenrahmen zu berechnen:<\/span><\/p>\n Wir k\u00f6nnen auch die Funktion sapply()<\/strong> verwenden, um spezifische deskriptive Statistiken f\u00fcr jede Variable zu berechnen.<\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie die Standardabweichung jeder Variablen berechnet wird:<\/span><\/p>\n Wir k\u00f6nnen auch eine Funktion()<\/strong> in sapply()<\/strong> verwenden, um deskriptive Statistiken zu berechnen.<\/span><\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie der Bereich<\/a> f\u00fcr jede Variable berechnet wird:<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir eine komplexe Funktion erstellen, die deskriptive Statistiken berechnet, und diese Funktion dann mit der Funktion sapply()<\/strong> verwenden.<\/span><\/span><\/p>\n Der folgende Code zeigt beispielsweise, wie der Modus<\/a> jeder Variablen im Datenrahmen berechnet wird:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Mit den Funktionen summary()<\/strong> und sapply()<\/strong> k\u00f6nnen wir f\u00fcr jede Variable in einem Datenrahmen jede gew\u00fcnschte deskriptive Statistik berechnen.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So erstellen Sie \u00dcbersichtstabellen in R<\/a> Beschreibende Statistiken sind Werte, die einen Datensatz beschreiben. Sie helfen uns zu verstehen, wo sich das Zentrum des Datensatzes befindet und wie die Werte im Datensatz verteilt sind. Es gibt zwei Funktionen, mit denen wir deskriptive Statistiken in R berechnen k\u00f6nnen: Methode 1: Verwenden Sie die Funktion summary() summary(my_data) Die Funktion summary() berechnet die folgenden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n summary(my_data)<\/strong><\/pre>\n
\n
sapply(my_data, sd, na. rm<\/span> = TRUE<\/span> )\n<\/strong><\/pre>\n Beispiel: Berechnung deskriptiver Statistiken in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (x=c(1, 4, 4, 5, 6, 7, 10, 12),\n y=c(2, 2, 3, 3, 4, 5, 11, 11),\n z=c(8, 9, 9, 9, 10, 13, 15, 17))\n\n#view data frame\n<\/span>df\n\n X Y Z\n1 1 2 8\n2 4 2 9\n3 4 3 9\n4 5 3 9\n5 6 4 10\n6 7 5 13\n7 10 11 15\n8 12 11 17<\/strong><\/pre>\n #calculate descriptive statistics for each variable<\/span>\nsummary(df)\n\n xyz Min. : 1,000 Min. : 2,000 Min. : 8.00 \n 1st Qu.: 4,000 1st Qu.: 2,750 1st Qu.: 9.00 \n Median: 5,500 Median: 3,500 Median: 9.50 \n Mean: 6.125 Mean: 5.125 Mean: 11.25 \n 3rd Qu.: 7,750 3rd Qu.: 6,500 3rd Qu.: 13.50 \n Max. :12,000 Max. :11,000 Max. :17.00<\/strong><\/pre>\n #calculate descriptive statistics for 'x' and 'z' only<\/span>\nsummary(df[, c(' x<\/span> ', ' z<\/span> ')])\n\n xz Min. : 1,000 Min. : 8.00 \n 1st Qu.: 4.000 1st Qu.: 9.00 \n Median: 5.500 Median: 9.50 \n Mean: 6.125 Mean: 11.25 \n 3rd Qu.: 7.750 3rd Qu.: 13.50 \n Max. :12,000 Max. :17.00 \n<\/strong><\/pre>\n #calculate standard deviation for each variable<\/span>\nsapply(df, sd, na. rm<\/span> = TRUE<\/span> )\n\n X Y Z\n3.522884 3.758324 3.327376<\/strong><\/pre>\n #calculate range for each variable<\/span>\nsapply(df, function(df) max(df, na. rm<\/span> = TRUE<\/span> )-min(df, na. rm<\/span> = TRUE<\/span> ))\n\n X Y Z\n11 9 9\n<\/strong><\/pre>\n #define function that calculates mode<\/span>\nfind_mode <- function<\/span> (x) {\n u <- unique(x)\n tab <- tabulate(match(x, u))\n u[tab ==<\/span> max(tab)]\n}\n\n#calculate mode for each variable\n<\/span>sapply(df, find_mode)\n\n$x\n[1] 4\n\n$y\n[1] 2 3 11\n\n$z\n[1] 9\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So finden Sie den Interquartilbereich in R<\/a>
So entfernen Sie Ausrei\u00dfer in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"