完全ガイド: r でデータをグループ化および要約する方法

データ分析時に実行する最も一般的なタスクの 2 つは、データのグループ化と要約です。

幸いなことに、R のdplyrパッケージを使用すると、データをすばやくグループ化し、要約することができます。

このチュートリアルでは、dplyr を使い始めるためのクイック ガイドを提供します。

dplyr パッケージをインストールしてロードする

dplyr パッケージの関数を使用するには、まずパッケージをロードする必要があります。

 #install dplyr (if not already installed)
install.packages(' dplyr ')

#load dplyr 
library(dplyr)

次に、 dplyr の関数を使用して、 mtcarsという組み込みの R データセットを使用してデータをグループ化し、要約する例をいくつか示します。

 #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

データをグループ化して要約するために使用する基本的な構文は次のとおりです。

 data %>%
  group_by (col_name) %>%
  summarize (summary_name = summary_function)

注: summary() 関数と summarise() 関数は同等です。

例 1: グループごとの平均と中央値を求める

次のコードは、平均と中央値を含むグループごとの中心傾向の尺度を計算する方法を示しています。

 #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

例 2: グループごとの広がりの尺度を見つける

次のコードは、標準偏差、四分位範囲、絶対中央値偏差など、グループごとの分散尺度を計算する方法を示しています。

 #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

例 3: グループごとに数値を検索する

次のコードは、R でグループごとに番号と一意の番号を検索する方法を示しています。

 #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

例 4: グループごとのパーセンタイルの検索

次のコードは、シリンダー グループごとの mpg 値の 90 パーセンタイルを見つける方法を示しています。

 #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

追加リソース

dplyr パッケージの完全なドキュメントと役立つ視覚化チートシートは、ここで見つけることができます。

group_by()およびsummary()で使用できるその他の便利な関数には、データ フレームの行をフィルターし、 特定の順序で並べる関数などがあります。