Como calcular estatísticas resumidas por grupo em r

Existem duas maneiras básicas de calcular estatísticas de resumo de grupo em R:

Método 1: Use tapply() da Base R

 tapply(df$value_col, df$group_col, summary)

Método 2: Use group_by() do pacote dplyr

 library (dplyr)

df %>%
  group_by (group_col) %>% 
  summarize (min = min(value_col),
            q1 = quantile(value_col, 0.25 ),
            median = median(value_col),
            mean = mean(value_col),
            q3 = quantile(value_col, 0.75 ),
            max = max(value_col))

Os exemplos a seguir mostram como usar cada método na prática.

Método 1: Use tapply() da Base R

O código a seguir mostra como usar a função tapply() em R para calcular estatísticas resumidas por grupo:

 #create data frame
df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),
                 points=c(99, 68, 86, 88, 95, 74, 78, 93),
                 assists=c(22, 28, 31, 35, 34, 45, 28, 31),
                 rebounds=c(30, 28, 24, 24, 30, 36, 30, 29))

#calculate summary statistics of 'points' grouped by 'team'
tapply(df$points, df$team, summary)

$A
   Min. 1st Qu. Median Mean 3rd Qu. Max. 
  68.00 81.50 87.00 85.25 90.75 99.00 

$B
   Min. 1st Qu. Median Mean 3rd Qu. Max. 
   74.0 77.0 85.5 85.0 93.5 95.0 

Método 2: Use group_by() do pacote dplyr

O código a seguir mostra como usar as funções group_by() e summary() no pacote dplyr para calcular estatísticas resumidas por grupo:

 library (dplyr)

#create data frame
df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),
                 points=c(99, 68, 86, 88, 95, 74, 78, 93),
                 assists=c(22, 28, 31, 35, 34, 45, 28, 31),
                 rebounds=c(30, 28, 24, 24, 30, 36, 30, 29))

#calculate summary statistics of 'points' grouped by 'team'
df %>%
  group_by (team) %>% 
  summarize (min = min(points),
            q1 = quantile(points, 0.25 ),
            median = median(points),
            mean = mean(points),
            q3 = quantile(points, 0.75 ),
            max = max(points))

# A tibble: 2 x 7
  team min q1 median mean q3 max
         
1 A 68 81.5 87 85.2 90.8 99
2 B 74 77 85.5 85 93.5 95

Observe que ambos os métodos retornam exatamente os mesmos resultados.

Vale a pena notar que a abordagem dplyr provavelmente será mais rápida para quadros de dados maiores, mas ambos os métodos terão desempenho semelhante em quadros de dados menores.

Recursos adicionais

Os tutoriais a seguir explicam como executar outras funções comuns de agrupamento em R:

Como criar uma tabela de frequência por grupo em R
Como calcular soma por grupo em R
Como calcular a média por grupo em R
Como calcular soma por grupo em R