<\/p>\n
Zwei der h\u00e4ufigsten Aufgaben, die Sie bei der Datenanalyse ausf\u00fchren, sind das Gruppieren und Zusammenfassen von Daten.<\/span><\/p>\n Gl\u00fccklicherweise k\u00f6nnen Sie mit dem dplyr-<\/a> Paket in R Daten schnell gruppieren und zusammenfassen.<\/span><\/p>\n Dieses Tutorial bietet eine Kurzanleitung f\u00fcr den Einstieg in dplyr.<\/span><\/p>\n Bevor Sie die Funktionen im dplyr-Paket nutzen k\u00f6nnen, m\u00fcssen Sie zun\u00e4chst das Paket laden:<\/span><\/p>\n Als N\u00e4chstes veranschaulichen wir mehrere Beispiele f\u00fcr die Verwendung der dplyr-Funktionen zum Gruppieren und Zusammenfassen von Daten mithilfe des integrierten R-Datensatzes namens mtcars<\/strong> :<\/span><\/p>\n Die grundlegende Syntax, die wir zum Gruppieren und Zusammenfassen von Daten verwenden werden, ist:<\/span><\/p>\n Hinweis:<\/strong> Die Funktionen summary() und summary() sind gleichwertig.<\/em><\/span><\/p>\n Der folgende Code zeigt, wie Ma\u00dfe der zentralen Tendenz<\/a> nach Gruppe einschlie\u00dflich Mittelwert und Median berechnet werden:<\/span><\/p>\n Der folgende Code zeigt, wie Streuungsma\u00dfe nach Gruppe berechnet werden, einschlie\u00dflich Standardabweichung, Interquartilbereich und absoluter Medianabweichung:<\/span><\/p>\n Der folgende Code zeigt, wie man Nummern und eindeutige Nummern nach Gruppe in R findet:<\/span><\/p>\n Der folgende Code zeigt, wie man das 90. Perzentil der mpg-Werte nach Zylindergruppe ermittelt:<\/span><\/p>\n Die vollst\u00e4ndige Dokumentation des dplyr-Pakets sowie hilfreiche Visualisierungs-Spickzettel finden Sie hier<\/a> .<\/span><\/p>\n Zu den weiteren n\u00fctzlichen Funktionen, die Sie mit group_by()<\/strong> und summary()<\/strong> verwenden k\u00f6nnen, geh\u00f6ren Funktionen, um die Zeilen des Datenrahmens zu filtern<\/a> und sie in bestimmten Reihenfolgen anzuordnen<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Zwei der h\u00e4ufigsten Aufgaben, die Sie bei der Datenanalyse ausf\u00fchren, sind das Gruppieren und Zusammenfassen von Daten. Gl\u00fccklicherweise k\u00f6nnen Sie mit dem dplyr- Paket in R Daten schnell gruppieren und zusammenfassen. Dieses Tutorial bietet eine Kurzanleitung f\u00fcr den Einstieg in dplyr. Installieren und laden Sie das dplyr-Paket Bevor Sie die Funktionen im dplyr-Paket nutzen k\u00f6nnen, […]<\/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 Installieren und laden Sie das dplyr-Paket<\/strong><\/span><\/h2>\n
#install dplyr (if not already installed)\ninstall.packages(' dplyr<\/span> ')<\/span>\n\n#load dplyr<\/span> \nlibrary(dplyr)<\/strong><\/pre>\n #obtain rows and columns of mtcars<\/em><\/span>\ndim(mtcars)\n\n[1] 32 11\n\n#view first six rows of mtcars<\/em>\n<\/span>head(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1<\/strong><\/pre>\n data %>%\n group_by<\/span> (col_name) %>%\n summarize<\/span> (summary_name = summary_function)\n<\/strong><\/pre>\n Beispiel 1: Ermitteln Sie den Mittelwert und den Median nach Gruppe<\/strong><\/h2>\n
#find mean mpg by cylinder<\/span>\nmtcars %>%\n group_by<\/span> (cyl) %>%\n summarize<\/span> (mean_mpg = mean(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 2\n cyl mean_mpg\n \n1 4 26.7\n2 6 19.7\n3 8 15.1\n\n#find median mpg by cylinder\n<\/span>mtcars %>%\n group_by<\/span> (cyl) %>%\n summarize<\/span> (median_mpg = median(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 2\n cyl median_mpg\n \n1 4 26 \n2 6 19.7\n3 8 15.2<\/strong><\/pre>\n Beispiel 2: Ermittlung von Ausbreitungsma\u00dfen nach Gruppe<\/strong><\/h2>\n
#find sd, IQR, and mad by cylinder<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (sd_mpg = sd(mpg, na.rm = TRUE<\/span> ),\n iqr_mpg = IQR(mpg, na.rm = TRUE<\/span> ),\n mad_mpg = mad(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 4\n cyl sd_mpg iqr_mpg mad_mpg\n \n1 4 4.51 7.60 6.52\n2 6 1.45 2.35 1.93\n3 8 2.56 1.85 1.56<\/strong><\/pre>\n Beispiel 3: Nummer nach Gruppe suchen<\/strong><\/h2>\n
#find row count and unique row count by cylinder<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (count_mpg = n(),\n u_count_mpg = n_distinct(mpg))\n\n# A tibble: 3 x 3\n cyl count_mpg u_count_mpg\n \n1 4 11 9\n2 6 7 6\n3 8 14 12\n<\/strong><\/pre>\n Beispiel 4: Perzentil nach Gruppe ermitteln<\/strong><\/h2>\n
#find 90th percentile of mpg for each cylinder group<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (quant90 = quantile(mpg, probs = .9))\n\n# A tibble: 3 x 2\n cyl quant90\n \n1 4 32.4\n2 6 21.2\n3 8 18.3<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n