De complete gids: gegevens groeperen en samenvatten in r

Twee van de meest voorkomende taken die u uitvoert bij het analyseren van gegevens zijn het groeperen en samenvatten van gegevens.

Gelukkig kun je met het dplyr- pakket in R snel gegevens groeperen en samenvatten.

Deze tutorial biedt een korte handleiding om aan de slag te gaan met dplyr.

Installeer en laad het dplyr-pakket

Voordat u de functies in het dplyr-pakket kunt gebruiken, moet u eerst het pakket laden:

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

#load dplyr 
library(dplyr)

Vervolgens illustreren we verschillende voorbeelden van het gebruik van de functies van dplyr om gegevens te groeperen en samen te vatten met behulp van de ingebouwde R-dataset genaamd 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

De basissyntaxis die we zullen gebruiken om gegevens te groeperen en samen te vatten is:

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

Opmerking: de functies summary() en summarise() zijn gelijkwaardig.

Voorbeeld 1: Zoek het gemiddelde en de mediaan per groep

De volgende code laat zien hoe u metingen van de centrale tendens per groep kunt berekenen, inclusief het gemiddelde en de mediaan:

 #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

Voorbeeld 2: Het vinden van spreidingsmaatstaven per groep

De volgende code laat zien hoe u spreidingsmaten per groep kunt berekenen, inclusief standaardafwijking, interkwartielbereik en absolute mediaanafwijking:

 #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

Voorbeeld 3: Zoek nummer per groep

De volgende code laat zien hoe je het nummer en het unieke nummer per groep in R kunt vinden:

 #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

Voorbeeld 4: Zoek percentiel per groep

De volgende code laat zien hoe u het 90e percentiel van mpg-waarden per cilindergroep kunt vinden:

 #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

Aanvullende bronnen

U kunt hier de volledige documentatie van het dplyr-pakket en handige spiekbriefjes voor visualisatie vinden.

Andere handige functies die u kunt gebruiken met group_by() en summary() zijn onder meer functies om de rijen van het dataframe te filteren en ze in bepaalde volgorde te rangschikken .