<\/p>\n
Dwa najcz\u0119stsze zadania, kt\u00f3re b\u0119dziesz wykonywa\u0107 podczas analizowania danych, to grupowanie i podsumowywanie danych.<\/span><\/p>\n Na szcz\u0119\u015bcie pakiet dplyr<\/a> w R pozwala na szybkie grupowanie i podsumowywanie danych.<\/span><\/p>\n Ten samouczek zawiera kr\u00f3tki przewodnik dotycz\u0105cy rozpocz\u0119cia pracy z dplyr.<\/span><\/p>\n Zanim b\u0119dziesz m\u00f3g\u0142 korzysta\u0107 z funkcji pakietu dplyr, musisz najpierw za\u0142adowa\u0107 pakiet:<\/span><\/p>\n Nast\u0119pnie zilustrujemy kilka przyk\u0142ad\u00f3w wykorzystania funkcji dplyr do grupowania i podsumowywania danych przy u\u017cyciu wbudowanego zbioru danych R zwanego mtcars<\/strong> :<\/span><\/p>\n Podstawowa sk\u0142adnia, kt\u00f3rej b\u0119dziemy u\u017cywa\u0107 do grupowania i podsumowywania danych, to:<\/span><\/p>\n Uwaga:<\/strong> Funkcje podsumowania() i podsumowania() s\u0105 r\u00f3wnowa\u017cne.<\/em><\/span><\/p>\n Poni\u017cszy kod pokazuje, jak obliczy\u0107 miary tendencji centralnej<\/a> wed\u0142ug grupy, \u0142\u0105cznie ze \u015bredni\u0105 i median\u0105:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak obliczy\u0107 miary rozproszenia wed\u0142ug grupy, w\u0142\u0105czaj\u0105c odchylenie standardowe, rozst\u0119p mi\u0119dzykwartylowy i bezwzgl\u0119dne odchylenie mediany:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak znale\u017a\u0107 numer i unikalny numer wed\u0142ug grupy w R:<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak znale\u017a\u0107 90. percentyl warto\u015bci mpg wed\u0142ug grupy cylindr\u00f3w:<\/span><\/p>\n Pe\u0142n\u0105 dokumentacj\u0119 pakietu dplyr oraz przydatne \u015bci\u0105gawki do wizualizacji znajdziesz tutaj<\/a> .<\/span><\/p>\n Inne przydatne funkcje, kt\u00f3rych mo\u017cna u\u017cywa\u0107 z funkcjami group_by()<\/strong> i podsumowanie()<\/strong> obejmuj\u0105 funkcje filtrowania wierszy ramki danych<\/a> iporz\u0105dkowania ich w okre\u015blonej kolejno\u015bci<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Dwa najcz\u0119stsze zadania, kt\u00f3re b\u0119dziesz wykonywa\u0107 podczas analizowania danych, to grupowanie i podsumowywanie danych. Na szcz\u0119\u015bcie pakiet dplyr w R pozwala na szybkie grupowanie i podsumowywanie danych. Ten samouczek zawiera kr\u00f3tki przewodnik dotycz\u0105cy rozpocz\u0119cia pracy z dplyr. Zainstaluj i za\u0142aduj pakiet dplyr Zanim b\u0119dziesz m\u00f3g\u0142 korzysta\u0107 z funkcji pakietu dplyr, musisz najpierw za\u0142adowa\u0107 pakiet: #install […]<\/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-945","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Zainstaluj i za\u0142aduj pakiet dplyr<\/strong><\/span><\/h2>\n
#install dplyr (if not already installed)\ninstall.packages(' dplyr<\/span> ')<\/span>\n\n#load dplyr<\/span> \nlibrary(dplyr)<\/strong><\/pre>\n #obtain rows and columns of mtcars<\/em><\/span>\ndim(mtcars)\n\n[1] 32 11\n\n#view first six rows of mtcars<\/em>\n<\/span>head(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1<\/strong><\/pre>\n data %>%\n group_by<\/span> (col_name) %>%\n summarize<\/span> (summary_name = summary_function)\n<\/strong><\/pre>\n Przyk\u0142ad 1: Znajd\u017a \u015bredni\u0105 i median\u0119 wed\u0142ug grupy<\/strong><\/h2>\n
#find mean mpg by cylinder<\/span>\nmtcars %>%\n group_by<\/span> (cyl) %>%\n summarize<\/span> (mean_mpg = mean(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 2\n cyl mean_mpg\n \n1 4 26.7\n2 6 19.7\n3 8 15.1\n\n#find median mpg by cylinder\n<\/span>mtcars %>%\n group_by<\/span> (cyl) %>%\n summarize<\/span> (median_mpg = median(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 2\n cyl median_mpg\n \n1 4 26 \n2 6 19.7\n3 8 15.2<\/strong><\/pre>\n Przyk\u0142ad 2: Znajdowanie miar rozprzestrzeniania si\u0119 wed\u0142ug grup<\/strong><\/h2>\n
#find sd, IQR, and mad by cylinder<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (sd_mpg = sd(mpg, na.rm = TRUE<\/span> ),\n iqr_mpg = IQR(mpg, na.rm = TRUE<\/span> ),\n mad_mpg = mad(mpg, na.rm = TRUE<\/span> ))\n\n# A tibble: 3 x 4\n cyl sd_mpg iqr_mpg mad_mpg\n \n1 4 4.51 7.60 6.52\n2 6 1.45 2.35 1.93\n3 8 2.56 1.85 1.56<\/strong><\/pre>\n Przyk\u0142ad 3: Znajd\u017a numer wed\u0142ug grupy<\/strong><\/h2>\n
#find row count and unique row count by cylinder<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (count_mpg = n(),\n u_count_mpg = n_distinct(mpg))\n\n# A tibble: 3 x 3\n cyl count_mpg u_count_mpg\n \n1 4 11 9\n2 6 7 6\n3 8 14 12\n<\/strong><\/pre>\n Przyk\u0142ad 4: Znajd\u017a percentyl wed\u0142ug grupy<\/strong><\/h2>\n
#find 90th percentile of mpg for each cylinder group<\/span>\nmtcars %>%\ngroup_by<\/span> (cyl) %>%\nsummarize<\/span> (quant90 = quantile(mpg, probs = .9))\n\n# A tibble: 3 x 2\n cyl quant90\n \n1 4 32.4\n2 6 21.2\n3 8 18.3<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n