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 .