Повний посібник: як групувати та підсумовувати дані в r

Два найпоширеніші завдання, які ви виконуватимете під час аналізу даних, — це групування та узагальнення даних.

На щастя, пакет dplyr у R дозволяє швидко групувати та узагальнювати дані.

Цей підручник містить короткий посібник із початку роботи з dplyr.

Встановіть і завантажте пакет dplyr

Перш ніж ви зможете використовувати функції в пакеті dplyr, ви повинні спочатку завантажити пакет:

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

#load dplyr 
library(dplyr)

Далі ми проілюструємо кілька прикладів використання функцій dplyr для групування та узагальнення даних за допомогою вбудованого набору даних R під назвою 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

Основний синтаксис, який ми будемо використовувати для групування та узагальнення даних:

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

Примітка. Функції summary() і summarise() еквівалентні.

Приклад 1: Знайти середнє та медіану за групою

У наступному коді показано, як обчислити показники центральної тенденції за групою, включаючи середнє та медіану:

 #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

Приклад 2: визначення мір розповсюдження за групою

У наведеному нижче коді показано, як обчислити показники дисперсії за групою, включаючи стандартне відхилення, інтерквартильний діапазон і абсолютне середнє відхилення:

 #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

Приклад 3: Знайти число за групою

Наступний код показує, як знайти номер і унікальний номер за групою в 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

Приклад 4: Знайдіть процентиль за групою

Наступний код показує, як знайти 90-й процентиль значень миль на галлон за групою циліндрів:

 #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

Додаткові ресурси

Ви можете знайти повну документацію пакета dplyr, а також корисні шпаргалки візуалізації тут .

Інші корисні функції, які можна використовувати з group_by() і summary(), включають функції для фільтрації рядків кадру даних і впорядкування їх у певному порядку .