Hoe samenvattende statistieken per groep te berekenen in r

Er zijn twee basismanieren om groepssamenvattende statistieken in R te berekenen:

Methode 1: Gebruik tapply() van Base R

 tapply(df$value_col, df$group_col, summary)

Methode 2: Gebruik group_by() uit het dplyr-pakket

 library (dplyr)

df %>%
  group_by (group_col) %>% 
  summarize (min = min(value_col),
            q1 = quantile(value_col, 0.25 ),
            median = median(value_col),
            mean = mean(value_col),
            q3 = quantile(value_col, 0.75 ),
            max = max(value_col))

De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken.

Methode 1: Gebruik tapply() van Base R

De volgende code laat zien hoe u de functie tapply() in R gebruikt om samenvattende statistieken per groep te berekenen:

 #create data frame
df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),
                 points=c(99, 68, 86, 88, 95, 74, 78, 93),
                 assists=c(22, 28, 31, 35, 34, 45, 28, 31),
                 rebounds=c(30, 28, 24, 24, 30, 36, 30, 29))

#calculate summary statistics of 'points' grouped by 'team'
tapply(df$points, df$team, summary)

$A
   Min. 1st Qu. Median Mean 3rd Qu. Max. 
  68.00 81.50 87.00 85.25 90.75 99.00 

$B
   Min. 1st Qu. Median Mean 3rd Qu. Max. 
   74.0 77.0 85.5 85.0 93.5 95.0 

Methode 2: Gebruik group_by() uit het dplyr-pakket

De volgende code laat zien hoe u de functies group_by() en summary() in het dplyr- pakket kunt gebruiken om samenvattende statistieken per groep te berekenen:

 library (dplyr)

#create data frame
df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),
                 points=c(99, 68, 86, 88, 95, 74, 78, 93),
                 assists=c(22, 28, 31, 35, 34, 45, 28, 31),
                 rebounds=c(30, 28, 24, 24, 30, 36, 30, 29))

#calculate summary statistics of 'points' grouped by 'team'
df %>%
  group_by (team) %>% 
  summarize (min = min(points),
            q1 = quantile(points, 0.25 ),
            median = median(points),
            mean = mean(points),
            q3 = quantile(points, 0.75 ),
            max = max(points))

# A tibble: 2 x 7
  team min q1 median mean q3 max
         
1 A 68 81.5 87 85.2 90.8 99
2 B 74 77 85.5 85 93.5 95

Houd er rekening mee dat beide methoden exact dezelfde resultaten opleveren.

Het is vermeldenswaard dat de dplyr-aanpak waarschijnlijk sneller zal zijn voor grotere dataframes, maar dat beide methoden op vergelijkbare wijze zullen presteren op kleinere dataframes.

Aanvullende bronnen

In de volgende tutorials wordt uitgelegd hoe u andere algemene groeperingsfuncties in R kunt uitvoeren:

Hoe u een frequentietabel per groep maakt in R
Hoe de som per groep in R te berekenen
Hoe het gemiddelde per groep in R te berekenen
Hoe de som per groep in R te berekenen