<\/p>\n
U kunt de volgende syntaxis gebruiken om gegevens op tijd te groeperen en aggregatie uit te voeren in R:<\/span><\/p>\n In dit specifieke voorbeeld worden de waarden per uur gegroepeerd in een kolom met de naam Uur<\/strong> en wordt vervolgens voor elk uur de som van de waarden in de kolom Verkoop<\/strong> berekend.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n Laten we zeggen dat we het volgende gegevensframe hebben dat het aantal verkopen toont dat op verschillende tijdstippen van de dag voor een winkel is gedaan:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om de tijdkolom<\/strong> op uren te groeperen en de som van de verkopen<\/strong> voor elk uur te berekenen:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Merk op dat we ook een andere aggregatie kunnen uitvoeren.<\/span><\/p>\n We kunnen bijvoorbeeld het gemiddelde<\/strong> aantal verkopen per uur berekenen:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Voel je vrij om je eigen dataframe op tijd te groeperen en elke gewenste specifieke metriek te berekenen door de metriek in de summary()-<\/strong> functie te wijzigen.<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in R uitvoert:<\/span><\/p>\n Hoe gegevens per maand te groeperen in R<\/a> U kunt de volgende syntaxis gebruiken om gegevens op tijd te groeperen en aggregatie uit te voeren in R: library (dplyr) library (lubridate) #group by hours in time column and calculate sum of sales df %>% group_by(time=floor_date(time, ‚ 1 hour ‚)) %>% summarize(sum_sales=sum(sales)) In dit specifieke voorbeeld worden de waarden per uur gegroepeerd in een […]<\/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":[],"class_list":["post-4056","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n library<\/span> (dplyr)\nlibrary<\/span> (lubridate)\n\n#group by hours in time column and calculate sum of sales\n<\/span>df %>%\n group_by(time=floor_date(time, ' 1 hour<\/span> ')) %>%\n summarize(sum_sales=sum(sales))\n<\/strong><\/pre>\n Voorbeeld: groepeer gegevens op tijd in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (time=as. POSIXct<\/span> (c('2022-01-01 01:14:00', '2022-01-01 01:24:15',\n '2022-01-01 02:52:19', '2022-01-01 02:54:00',\n '2022-01-01 04:05:10', '2022-01-01 05:35:09')),\n sales=c(18, 20, 15, 14, 10, 9))\n\n#view data frame\n<\/span>df\n\n time sales\n1 2022-01-01 01:14:00 18\n2 2022-01-01 01:24:15 20\n3 2022-01-01 02:52:19 15\n4 2022-01-01 02:54:00 14\n5 2022-01-01 04:05:10 10\n6 2022-01-01 05:35:09 9\n<\/span><\/span><\/strong><\/pre>\n library<\/span> (dplyr)\nlibrary<\/span> (lubridate)\n\n#group by hours in time column and calculate sum of sales\n<\/span>df %>%\n group_by(time=floor_date(time, ' 1 hour<\/span> ')) %>%\n summarize(sum_sales=sum(sales))\n\n`summarise()` ungrouping output (override with `.groups` argument)\n# A tibble: 4 x 2\n time sum_sales\n \n1 2022-01-01 01:00:00 38\n2 2022-01-01 02:00:00 29\n3 2022-01-01 04:00:00 10\n4 2022-01-01 05:00:00 9\n<\/strong><\/pre>\n\n
library<\/span> (dplyr)\nlibrary<\/span> (lubridate)\n\n#group by hours in time column and calculate mean of sales\n<\/span>df %>%\n group_by(time=floor_date(time, ' 1 hour<\/span> ')) %>%\n summarize(mean_sales=mean(sales))\n\n`summarise()` ungrouping output (override with `.groups` argument)\n# A tibble: 4 x 2\n time mean_sales\n \n1 2022-01-01 01:00:00 19 \n2 2022-01-01 02:00:00 14.5\n3 2022-01-01 04:00:00 10 \n4 2022-01-01 05:00:00 9<\/strong><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe gegevens per week te groeperen in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"