Kompletny przewodnik: jak grupować i podsumowywać dane w r

Dwa najczęstsze zadania, które będziesz wykonywać podczas analizowania danych, to grupowanie i podsumowywanie danych.

Na szczęście pakiet dplyr w R pozwala na szybkie grupowanie i podsumowywanie danych.

Ten samouczek zawiera krótki przewodnik dotyczący rozpoczęcia pracy z dplyr.

Zainstaluj i załaduj pakiet dplyr

Zanim będziesz mógł korzystać z funkcji pakietu dplyr, musisz najpierw załadować pakiet:

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

#load dplyr 
library(dplyr)

Następnie zilustrujemy kilka przykładów wykorzystania funkcji dplyr do grupowania i podsumowywania danych przy użyciu wbudowanego zbioru danych R zwanego 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

Podstawowa składnia, której będziemy używać do grupowania i podsumowywania danych, to:

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

Uwaga: Funkcje podsumowania() i podsumowania() są równoważne.

Przykład 1: Znajdź średnią i medianę według grupy

Poniższy kod pokazuje, jak obliczyć miary tendencji centralnej według grupy, łącznie ze średnią i medianą:

 #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

Przykład 2: Znajdowanie miar rozprzestrzeniania się według grup

Poniższy kod pokazuje, jak obliczyć miary rozproszenia według grupy, włączając odchylenie standardowe, rozstęp międzykwartylowy i bezwzględne odchylenie mediany:

 #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

Przykład 3: Znajdź numer według grupy

Poniższy kod pokazuje, jak znaleźć numer i unikalny numer według grupy w R:

 #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

Przykład 4: Znajdź percentyl według grupy

Poniższy kod pokazuje, jak znaleźć 90. percentyl wartości mpg według grupy cylindrów:

 #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

Dodatkowe zasoby

Pełną dokumentację pakietu dplyr oraz przydatne ściągawki do wizualizacji znajdziesz tutaj .

Inne przydatne funkcje, których można używać z funkcjami group_by() i podsumowanie() obejmują funkcje filtrowania wierszy ramki danych iporządkowania ich w określonej kolejności .