<\/p>\n
Do grupowania danych wed\u0142ug czasu i wykonywania agregacji w j\u0119zyku R mo\u017cna zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Ten konkretny przyk\u0142ad grupuje warto\u015bci wed\u0142ug godzin w kolumn\u0119 o nazwie Godzina<\/strong> , a nast\u0119pnie oblicza sum\u0119 warto\u015bci w kolumnie Sprzeda\u017c<\/strong> dla ka\u017cdej godziny.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak zastosowa\u0107 t\u0119 sk\u0142adni\u0119 w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych, kt\u00f3ra pokazuje liczb\u0119 sprzeda\u017cy dokonanych w sklepie w r\u00f3\u017cnych porach dnia:<\/span><\/p>\n Mo\u017cemy zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119, aby pogrupowa\u0107 kolumn\u0119 czasu<\/strong> wed\u0142ug godzin i obliczy\u0107 sum\u0119 sprzeda\u017cy<\/strong> dla ka\u017cdej godziny:<\/span><\/p>\n Z wyniku mo\u017cemy zobaczy\u0107:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce mo\u017cemy wykona\u0107 tak\u017ce inn\u0105 agregacj\u0119.<\/span><\/p>\n Na przyk\u0142ad mo\u017cemy obliczy\u0107 \u015bredni\u0105<\/strong> liczb\u0119 sprzeda\u017cy na godzin\u0119:<\/span><\/p>\n Z wyniku mo\u017cemy zobaczy\u0107:<\/span><\/p>\n Mo\u017cesz pogrupowa\u0107 w\u0142asn\u0105 ramk\u0119 danych wed\u0142ug czasu i obliczy\u0107 dowoln\u0105 konkretn\u0105 metryk\u0119, modyfikuj\u0105c metryk\u0119 w funkcji podsumowania()<\/strong> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje w j\u0119zyku R:<\/span><\/p>\n Jak grupowa\u0107 dane wed\u0142ug miesi\u0119cy w R<\/a> Do grupowania danych wed\u0142ug czasu i wykonywania agregacji w j\u0119zyku R mo\u017cna zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119: 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)) Ten konkretny przyk\u0142ad grupuje warto\u015bci wed\u0142ug godzin w kolumn\u0119 o nazwie Godzina , a nast\u0119pnie oblicza […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-4054","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"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 Przyk\u0142ad: grupuj dane wed\u0142ug czasu w 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
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak grupowa\u0107 dane wed\u0142ug tygodni w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"