O guia completo: como agrupar e resumir dados em r

Duas das tarefas mais comuns que você realizará ao analisar dados são agrupar e resumir os dados.

Felizmente, o pacote dplyr em R permite agrupar e resumir dados rapidamente.

Este tutorial fornece um guia rápido para começar a usar o dplyr.

Instale e carregue o pacote dplyr

Antes de poder usar as funções do pacote dplyr, você deve primeiro carregar o pacote:

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

#load dplyr 
library(dplyr)

A seguir, ilustraremos vários exemplos de uso de funções do dplyr para agrupar e resumir dados usando o conjunto de dados R integrado chamado 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

A sintaxe básica que usaremos para agrupar e resumir dados é:

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

Nota: As funções summary() e summarise() são equivalentes.

Exemplo 1: Encontre a média e mediana por grupo

O código a seguir mostra como calcular medidas de tendência central por grupo, incluindo a média e a mediana:

 #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

Exemplo 2: Encontrando medidas de propagação por grupo

O código a seguir mostra como calcular medidas de dispersão por grupo, incluindo desvio padrão, intervalo interquartil e desvio mediano absoluto:

 #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

Exemplo 3: Encontre o número por grupo

O código a seguir mostra como encontrar o número e o número exclusivo por grupo em 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

Exemplo 4: Encontre o percentil por grupo

O código a seguir mostra como encontrar o percentil 90 dos valores de mpg por grupo de cilindros:

 #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

Recursos adicionais

Você pode encontrar a documentação completa do pacote dplyr, bem como folhas de dicas úteis de visualização aqui .

Outras funções úteis que você pode usar com group_by() e summary() incluem funções para filtrar as linhas do quadro de dados eorganizá-las em determinadas ordens .