La guida completa: come raggruppare e riepilogare i dati in r
Due delle attività più comuni che eseguirai durante l’analisi dei dati sono il raggruppamento e il riepilogo dei dati.
Fortunatamente, il pacchetto dplyr in R consente di raggruppare e riepilogare rapidamente i dati.
Questo tutorial fornisce una guida rapida per iniziare con dplyr.
Installa e carica il pacchetto dplyr
Prima di poter utilizzare le funzioni nel pacchetto dplyr, devi prima caricare il pacchetto:
#install dplyr (if not already installed)
install.packages(' dplyr ')
#load dplyr
library(dplyr)
Successivamente, illustreremo diversi esempi di utilizzo delle funzioni di dplyr per raggruppare e riepilogare i dati utilizzando il set di dati R integrato chiamato mtcars :
#obtain rows and columns of mtcars dim(mtcars) [1] 32 11 #view first six rows of mtcars head(mtcars) mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 Valiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1
La sintassi di base che utilizzeremo per raggruppare e riepilogare i dati è:
data %>% group_by (col_name) %>% summarize (summary_name = summary_function)
Nota: le funzioni summary() e summarise() sono equivalenti.
Esempio 1: trova la media e la mediana per gruppo
Il codice seguente mostra come calcolare le misure della tendenza centrale per gruppo, comprese la media e la mediana:
#find mean mpg by cylinder mtcars %>% group_by (cyl) %>% summarize (mean_mpg = mean(mpg, na.rm = TRUE )) # A tibble: 3 x 2 cyl mean_mpg 1 4 26.7 2 6 19.7 3 8 15.1 #find median mpg by cylinder mtcars %>% group_by (cyl) %>% summarize (median_mpg = median(mpg, na.rm = TRUE )) # A tibble: 3 x 2 cyl median_mpg 1 4 26 2 6 19.7 3 8 15.2
Esempio 2: trovare le misure di diffusione per gruppo
Il codice seguente mostra come calcolare le misure di dispersione per gruppo, inclusa la deviazione standard, l’intervallo interquartile e la deviazione mediana assoluta:
#find sd, IQR, and mad by cylinder mtcars %>% group_by (cyl) %>% summarize (sd_mpg = sd(mpg, na.rm = TRUE ), iqr_mpg = IQR(mpg, na.rm = TRUE ), mad_mpg = mad(mpg, na.rm = TRUE )) # A tibble: 3 x 4 cyl sd_mpg iqr_mpg mad_mpg 1 4 4.51 7.60 6.52 2 6 1.45 2.35 1.93 3 8 2.56 1.85 1.56
Esempio 3: trova il numero per gruppo
Il codice seguente mostra come trovare il numero e il numero univoco per gruppo in R:
#find row count and unique row count by cylinder mtcars %>% group_by (cyl) %>% summarize (count_mpg = n(), u_count_mpg = n_distinct(mpg)) # A tibble: 3 x 3 cyl count_mpg u_count_mpg 1 4 11 9 2 6 7 6 3 8 14 12
Esempio 4: trovare il percentile per gruppo
Il seguente codice mostra come trovare il 90° percentile dei valori mpg per gruppo di cilindri:
#find 90th percentile of mpg for each cylinder group mtcars %>% group_by (cyl) %>% summarize (quant90 = quantile(mpg, probs = .9)) # A tibble: 3 x 2 cyl quant90 1 4 32.4 2 6 21.2 3 8 18.3
Risorse addizionali
Puoi trovare la documentazione completa del pacchetto dplyr e utili cheat sheet di visualizzazione qui .
Altre funzioni utili che puoi utilizzare con group_by() e summary() includono funzioni per filtrare le righe del data frame e disporle in determinati ordini .