Comment calculer des statistiques récapitulatives par groupe dans R

Il existe deux manières de base de calculer des statistiques récapitulatives par groupe dans R :

Méthode 1 : utilisez tapply() depuis Base R

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

Méthode 2 : utilisez group_by() du package 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))

Les exemples suivants montrent comment utiliser chaque méthode dans la pratique.

Méthode 1 : utilisez tapply() depuis Base R

Le code suivant montre comment utiliser la fonction tapply() de la base R pour calculer des statistiques récapitulatives par groupe :

#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 

Méthode 2 : utilisez group_by() du package dplyr

Le code suivant montre comment utiliser les fonctions group_by() et summary() du package dplyr pour calculer des statistiques récapitulatives par groupe :

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

Notez que les deux méthodes renvoient exactement les mêmes résultats.

Il convient de noter que l’approche dplyr sera probablement plus rapide pour les trames de données volumineuses, mais que les deux méthodes fonctionneront de la même manière sur des trames de données plus petites.

Ressources additionnelles

Les didacticiels suivants expliquent comment exécuter d’autres fonctions de regroupement courantes dans R :

Comment créer un tableau de fréquence par groupe dans R
Comment calculer la somme par groupe dans R
Comment calculer la moyenne par groupe dans R
Comment calculer la somme par groupe dans R