<\/p>\n
Puoi utilizzare la funzione across()<\/a> dal pacchetto dplyr<\/a> in R per applicare una trasformazione a pi\u00f9 colonne.<\/span><\/p>\n Esistono innumerevoli<\/span> modi per utilizzare questa funzionalit\u00e0, ma i seguenti metodi illustrano alcuni usi comuni:<\/span><\/p>\n Metodo 1: applicare una funzione a pi\u00f9 colonne<\/strong><\/span><\/p>\n Metodo 2: calcolare una statistica riepilogativa per pi\u00f9 colonne<\/strong><\/span><\/p>\n Metodo 3: calcolare pi\u00f9 statistiche di riepilogo per pi\u00f9 colonne<\/strong><\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare ciascun metodo con il seguente frame di dati:<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione across()<\/strong> per moltiplicare per 2 i valori nelle colonne points<\/strong> e rebounds<\/strong> :<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione across()<\/strong> per calcolare il valore medio delle colonne punti<\/strong> e rimbalzi<\/strong> :<\/span><\/p>\n Tieni presente che possiamo anche utilizzare la funzione is.numeric<\/strong> per calcolare automaticamente una statistica riepilogativa per tutte le colonne numeriche nel data frame:<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione across()<\/strong> per calcolare la media e la deviazione standard delle colonne punti<\/strong> e rimbalzi<\/strong> :<\/span><\/p>\n Nota<\/strong> : puoi trovare la documentazione completa per la funzione across()<\/strong> qui<\/a> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre funzioni comuni utilizzando dplyr:<\/span><\/p>\n Come eliminare righe utilizzando dplyr<\/a> Puoi utilizzare la funzione across() dal pacchetto dplyr in R per applicare una trasformazione a pi\u00f9 colonne. Esistono innumerevoli modi per utilizzare questa funzionalit\u00e0, ma i seguenti metodi illustrano alcuni usi comuni: Metodo 1: applicare una funzione a pi\u00f9 colonne #multiply values in col1 and col2 by 2 df %>% mutate(across(c(col1, col2), function (x) x*2)) […]<\/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 #multiply values in col1 and col2 by 2<\/span>\ndf %>% \n mutate(across(c(col1, col2), function<\/span> (x) x*2))\n<\/strong><\/pre>\n #calculate mean of col1 and col2<\/span>\ndf %>%\n summarise(across(c(col1, col2), mean, na. rm<\/span> = TRUE<\/span> ))\n<\/strong><\/pre>\n #calculate mean and standard deviation for col1 and col2\n<\/span>df %>%\n summarise(across(c(col1, col2), list(mean=mean, sd=sd), na. rm<\/span> = TRUE<\/span> ))\n<\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (conf=c('East', 'East', 'East', 'West', 'West', 'West'),\n points=c(22, 25, 29, 13, 22, 30),\n rebounds=c(12, 10, 6, 6, 8, 11))\n\n#view data frame\n<\/span>df\n\n conf points rebounds\n1 East 22 12\n2 East 25 10\n3 East 29 6\n4 West 13 6\n5 West 22 8\n6 West 30 11<\/strong><\/pre>\n Esempio 1: applicare una funzione a pi\u00f9 colonne<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)\n\n#multiply values in points and rebounds columns by 2\n<\/span>df %>% \n mutate(across(c(points, rebounds), function<\/span> (x) x*2))\n\n conf points rebounds\n1 East 44 24\n2 East 50 20\n3 East 58 12\n4 West 26 12\n5 West 44 16\n6 West 60 22\n<\/strong><\/span><\/pre>\n Esempio 2: calcolare una statistica riepilogativa per pi\u00f9 colonne<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)<\/span>\n\n#calculate mean value of points an rebounds columns\n<\/span>df %>%\n summarise(across(c(points, rebounds), mean, na. rm<\/span> = TRUE<\/span> ))\n\n rebound points\n1 23.5 8.833333<\/strong><\/pre>\n library<\/span> (dplyr)<\/span>\n\n#calculate mean value for every numeric column in data frame\n<\/span>df %>%\n summarise(across(where(is. numeric<\/span> ), mean, na. rm<\/span> = TRUE<\/span> ))\n\n rebound points\n1 23.5 8.833333\n<\/strong><\/pre>\n Esempio 3: calcolare pi\u00f9 statistiche di riepilogo per pi\u00f9 colonne<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)<\/span>\n\n#calculate mean and standard deviation for points and rebounds columns\n<\/span>df %>%\n summarise(across(c(points, rebounds), list(mean=mean, sd=sd), na. rm<\/span> = TRUE<\/span> ))\n\n points_mean points_sd rebounds_mean rebounds_sd\n1 23.5 6.156298 8.833333 2.562551<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come organizzare le righe utilizzando dplyr<\/a>
Come filtrare in base a pi\u00f9 condizioni utilizzando dplyr<\/p>\n","protected":false},"excerpt":{"rendered":"