Hoe samenvattende statistieken in r te berekenen met behulp van dplyr

U kunt de volgende syntaxis gebruiken om samenvattende statistieken te berekenen voor alle numerieke variabelen in een dataframe in R met behulp van functies in het dplyr- pakket:

 library (dplyr)
library (tidyr)

df %>% summarise(across(where(is. numeric ), .fns = 
                     list(min = min,
                          median = median,
                          mean = mean,
                          stdev = sd,
                          q25 = ~quantile(., 0.25 ),
                          q75 = ~quantile(., 0.75 ),
                          max = max))) %>%
  pivot_longer(everything(), names_sep=' _ ', names_to=c(' variable ', ' .value '))

De functie summarise() komt uit het dplyr- pakket en wordt gebruikt om samenvattende statistieken voor variabelen te berekenen.

De functie pivot_longer() komt uit het Tidyr- pakket en wordt gebruikt om de uitvoer op te maken, zodat deze gemakkelijker leesbaar is.

Deze specifieke syntaxis berekent de volgende samenvattende statistieken voor elke numerieke variabele in een dataframe:

• Minimale waarde
• Mediane waarde
• Gemiddelde waarde
• Standaardafwijking
• 25e percentiel
• 75e percentiel
• Maximale waarde

Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.

Voorbeeld: Bereken samenvattende statistieken in R met behulp van dplyr

Stel dat we het volgende dataframe in R hebben dat informatie bevat over verschillende basketbalspelers:

 #create data frame
df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),
                 points=c(12, 15, 19, 14, 24, 25, 39, 34),
                 assists=c(6, 8, 8, 9, 12, 6, 8, 10),
                 rebounds=c(9, 9, 8, 10, 8, 4, 3, 3))

#view data frame
df

  team points assists rebounds
1 to 12 6 9
2 A 15 8 9
3 A 19 8 8
4 A 14 9 10
5 B 24 12 8
6 B 25 6 4
7 B 39 8 3
8 B 34 10 3

We kunnen de volgende syntaxis gebruiken om samenvattende statistieken te berekenen voor elke numerieke variabele in het dataframe:

 library (dplyr)
library (tidyr)

#calculate summary statistics for each numeric variable in data frame
df %>% summarise(across(where(is. numeric ), .fns = 
                     list(min = min,
                          median = median,
                          mean = mean,
                          stdev = sd,
                          q25 = ~quantile(., 0.25 ),
                          q75 = ~quantile(., 0.75 ),
                          max = max))) %>%
  pivot_longer(everything(), names_sep=' _ ', names_to=c(' variable ', ' .value '))

# A tibble: 3 x 8
  variable min median mean stdev q25 q75 max
             
1 points 12 21.5 22.8 9.74 14.8 27.2 39
2 assists 6 8 8.38 2.00 7.5 9.25 12
3 rebounds 3 8 6.75 2.92 3.75 9 10

  Uit het resultaat kunnen we zien:

• De minimumwaarde in de puntenkolom is 12 .
• De mediaanwaarde in de puntenkolom is 21,5 .
• De gemiddelde waarde in de puntenkolom is 22,8 .

Enzovoort.

Opmerking : in dit voorbeeld hebben we de functie dplyr across() gebruikt. De volledige documentatie voor deze functie vindt u hier .

Aanvullende bronnen

In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende functies kunt uitvoeren met dplyr:

Gegevens samenvatten maar alle kolommen behouden met dplyr
Hoe u meerdere kolommen samenvat met dplyr
Hoe de standaardafwijking te berekenen met dplyr