R Aggregate Function: Σύνοψη & Group_by () Παράδειγμα

Η περίληψη μιας μεταβλητής είναι σημαντική για να έχουμε μια ιδέα για τα δεδομένα. Παρόλο που, η σύνοψη μιας μεταβλητής ανά ομάδα παρέχει καλύτερες πληροφορίες σχετικά με την κατανομή των δεδομένων.

Σε αυτό το σεμινάριο, θα μάθετε πώς να συνοψίσετε ένα σύνολο δεδομένων ανά ομάδα με τη βιβλιοθήκη dplyr.

Σε αυτό το σεμινάριο, θα μάθετε

• Συνοψίζω()
• Group_by έναντι no group_by
• Λειτουργία συνοπτικά ()
• Βασική λειτουργία
• Ρυθμίσεις
• Αθροισμα
• Τυπική απόκλιση
• Ελάχιστο και μέγιστο
• μετρώ
• Πρώτος και τελευταίος
• ένατη παρατήρηση
• Πολλαπλές ομάδες
• Φίλτρο
• Κατάργηση ομάδας

Για αυτό το σεμινάριο, θα χρησιμοποιήσετε το σύνολο δεδομένων batting. Το αρχικό σύνολο δεδομένων περιέχει 102816 παρατηρήσεις και 22 μεταβλητές. Θα χρησιμοποιήσετε μόνο το 20 τοις εκατό αυτού του συνόλου δεδομένων και θα χρησιμοποιήσετε τις ακόλουθες μεταβλητές:

• playerID: Κωδικός ταυτότητας παίκτη. Παράγοντας
• yearID: Έτος. Παράγοντας
• teamID: Ομάδα. παράγοντας
• lgID: Πρωτάθλημα. Παράγοντας: AA AL FL NL PL UA
• AB: Στις νυχτερίδες. Αριθμητικός
• G: Παιχνίδια: αριθμός παιχνιδιών από έναν παίκτη. Αριθμητικός
• R: Τρέχει. Αριθμητικός
• HR: Ομήρου. Αριθμητικός
• SH: Χτυπήματα θυσίας. Αριθμητικός

Πριν εκτελέσετε περίληψη, θα κάνετε τα ακόλουθα βήματα για να προετοιμάσετε τα δεδομένα:

• Βήμα 1: Εισαγάγετε τα δεδομένα
• Βήμα 2: Επιλέξτε τις σχετικές μεταβλητές
• Βήμα 3: Ταξινόμηση των δεδομένων

library(dplyr)# Step 1data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") %> %# Step 2select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) %> %# Step 3arrange(playerID, teamID, yearID)

Μια καλή πρακτική κατά την εισαγωγή ενός συνόλου δεδομένων είναι να χρησιμοποιήσετε τη συνάρτηση glimpse () για να έχετε μια ιδέα για τη δομή του συνόλου δεδομένων.

# Structure of the dataglimpse(data)

Παραγωγή:

Observations: 104,324Variables: 9$ playerID  aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a… $ yearID  2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196… $ AB  1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495,… $ teamID  ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A… $ lgID  NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL,… $ G  33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15… $ R  0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75… $ HR  0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40… $ SH  0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6,… 

Συνοψίζω()

Η σύνταξη του summarize () είναι βασική και συνεπής με τα άλλα ρήματα που περιλαμβάνονται στη βιβλιοθήκη dplyr.

summarise(df, variable_name=condition)arguments:- `df`: Dataset used to construct the summary statistics- `variable_name=condition`: Formula to create the new variable

Κοιτάξτε τον παρακάτω κώδικα:

summarise(data, mean_run =mean(R))

Επεξήγηση κώδικα

• summarize (data, mean_run = mean (R)): Δημιουργεί μια μεταβλητή που ονομάζεται mean_run που είναι ο μέσος όρος της στήλης που εκτελείται από τα δεδομένα του συνόλου δεδομένων.

Παραγωγή:

## mean_run## 1 19.20114

Μπορείτε να προσθέσετε όσες μεταβλητές θέλετε. Επιστρέφετε τα μέσα παιχνίδια που παίζονται και το μέσο όρο των θυμάτων.

summarise(data, mean_games = mean(G),mean_SH = mean(SH, na.rm = TRUE))

Επεξήγηση κώδικα

• mean_SH = mean (SH, na.rm = TRUE): Συνοψίστε μια δεύτερη μεταβλητή. Μπορείτε να ορίσετε na.rm = TRUE επειδή η στήλη SH περιέχει παρατηρήσεις που λείπουν.

Παραγωγή:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by έναντι no group_by

Η συνάρτηση summerise () χωρίς group_by () δεν έχει νόημα. Δημιουργεί συνοπτικά στατιστικά στοιχεία ανά ομάδα. Η βιβλιοθήκη dplyr εφαρμόζει μια λειτουργία αυτόματα στην ομάδα που περάσατε μέσα στο ρήμα group_by.

Σημειώστε ότι, το group_by λειτουργεί τέλεια με όλα τα άλλα ρήματα (π.χ. μετάλλαξη (), φίλτρο (), διάταξη (),…)

Είναι βολικό να χρησιμοποιείτε τον χειριστή αγωγού όταν έχετε περισσότερα από ένα βήματα. Μπορείτε να υπολογίσετε το μέσο homerun από το πρωτάθλημα μπέιζμπολ.

data % > %group_by(lgID) % > %summarise(mean_run = mean(HR))

Επεξήγηση κώδικα

• data: Σύνολο δεδομένων που χρησιμοποιείται για την κατασκευή των συνοπτικών στατιστικών
• group_by (lgID): Υπολογίστε την περίληψη ομαδοποιώντας τη μεταβλητή `lgID
• σύνοψη (mean_run = mean (HR)): Υπολογίστε τον μέσο όρο homerun

Παραγωγή:

### A tibble: 7 x 2## lgID mean_run##  ## 1 AA 0.9166667## 2 AL 3.1270988## 3 FL 1.3131313## 4 NL 2.8595953## 5 PL 2.5789474## 6 UA 0.6216216## 7  0.2867133

Ο χειριστής σωλήνων λειτουργεί επίσης με το ggplot (). Μπορείτε να εμφανίσετε εύκολα τη συνοπτική στατιστική με ένα γράφημα. Όλα τα βήματα ωθούνται μέσα στον αγωγό έως ότου το γκράφιτς είναι οικόπεδο. Φαίνεται πιο οπτικό να βλέπουμε το μέσο homerun ανά πρωτάθλημα με ένα bar char. Ο παρακάτω κώδικας δείχνει τη δύναμη του συνδυασμού group_by (), summarize () και ggplot ().

Θα κάνετε το ακόλουθο βήμα:

• Βήμα 1: Επιλέξτε πλαίσιο δεδομένων
• Βήμα 2: Ομαδικά δεδομένα
• Βήμα 3: Συνοψίστε τα δεδομένα
• Βήμα 4: Σχεδιάστε τα συνοπτικά στατιστικά στοιχεία

library(ggplot2)# Step 1data % > %#Step 2group_by(lgID) % > %#Step 3summarise(mean_home_run = mean(HR)) % > %#Step 4ggplot(aes(x = lgID, y = mean_home_run, fill = lgID)) +geom_bar(stat = "identity") +theme_classic() +labs(x = "baseball league",y = "Average home run",title = paste("Example group_by() with summarise()"))

Παραγωγή:

Λειτουργία συνοπτικά ()

Το ρήμα summarize () είναι συμβατό με σχεδόν όλες τις συναρτήσεις στο R. Εδώ είναι μια σύντομη λίστα χρήσιμων συναρτήσεων που μπορείτε να χρησιμοποιήσετε μαζί με το summarize ():

Θα δούμε παραδείγματα για κάθε λειτουργία του πίνακα 1.

Βασική λειτουργία

Στο προηγούμενο παράδειγμα, δεν αποθηκεύσατε τη συνοπτική στατιστική σε ένα πλαίσιο δεδομένων.

Μπορείτε να προχωρήσετε σε δύο βήματα για να δημιουργήσετε ένα πλαίσιο ημερομηνίας από μια σύνοψη:

• Βήμα 1: Αποθηκεύστε το πλαίσιο δεδομένων για περαιτέρω χρήση
• Βήμα 2: Χρησιμοποιήστε το σύνολο δεδομένων για να δημιουργήσετε ένα γράφημα γραμμής

Βήμα 1) Υπολογίζετε τον μέσο αριθμό παιχνιδιών που παίζονται ανά έτος.

## Meanex1 <- data % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))head(ex1)

Επεξήγηση κώδικα

• Το συνοπτικό στατιστικό στοιχείο του συνόλου δεδομένων batting αποθηκεύεται στο πλαίσιο δεδομένων ex1.

Παραγωγή:

## # A tibble: 6 x 2## yearID mean_game_year##  ## 1 1871 23.42308## 2 1872 18.37931## 3 1873 25.61538## 4 1874 39.05263## 5 1875 28.39535## 6 1876 35.90625

Βήμα 2) Εμφανίζετε τη συνοπτική στατιστική με ένα γράφημα γραμμής και βλέπετε την τάση.

# Plot the graphggplot(ex1, aes(x = yearID, y = mean_game_year)) +geom_line() +theme_classic() +labs(x = "Year",y = "Average games played",title = paste("Average games played from 1871 to 2016"))

Παραγωγή:

Ρυθμίσεις

Η συνάρτηση σύνοψης () είναι συμβατή με το υποσύνολο.

## Subsetting + Mediandata % > %group_by(lgID) % > %summarise(median_at_bat_league = median(AB),#Compute the median without the zeromedian_at_bat_league_no_zero = median(AB[AB > 0]))

Επεξήγηση κώδικα

• median_at_bat_league_no_zero = median (AB [AB> 0]): Η μεταβλητή AB περιέχει πολλά 0. Μπορείτε να συγκρίνετε τη μέση τιμή της μεταβλητής at bat με και χωρίς 0.

Παραγωγή:

## # A tibble: 7 x 3## lgID median_at_bat_league median_at_bat_league_no_zero##   ## 1 AA 130 131## 2 AL 38 85## 3 FL 88 97## 4 NL 56 67## 5 PL 238 238## 6 UA 35 35## 7  101 101

Αθροισμα

Μια άλλη χρήσιμη συνάρτηση για τη συγκέντρωση της μεταβλητής είναι το άθροισμα ().

Μπορείτε να ελέγξετε ποια πρωταθλήματα έχουν τα περισσότερα homeruns.

## Sumdata % > %group_by(lgID) % > %summarise(sum_homerun_league = sum(HR))

Παραγωγή:

## # A tibble: 7 x 2## lgID sum_homerun_league##  ## 1 AA 341## 2 AL 29426## 3 FL 130## 4 NL 29817## 5 PL 98## 6 UA 46## 7  41

Τυπική απόκλιση

Το spread στα δεδομένα υπολογίζεται με την τυπική απόκλιση ή sd () στο R.

# Spreaddata % > %group_by(teamID) % > %summarise(sd_at_bat_league = sd(HR))

Παραγωγή:

## # A tibble: 148 x 2## teamID sd_at_bat_league##  ## 1 ALT NA## 2 ANA 8.7816395## 3 ARI 6.0765503## 4 ATL 8.5363863## 5 BAL 7.7350173## 6 BFN 1.3645163## 7 BFP 0.4472136## 8 BL1 0.6992059## 9 BL2 1.7106757## 10 BL3 1.0000000## #… with 138 more rows

Υπάρχουν πολλές ανισότητες στην ποσότητα του homerun που γίνεται από κάθε ομάδα.

Ελάχιστο και μέγιστο

Μπορείτε να αποκτήσετε πρόσβαση στο ελάχιστο και το μέγιστο ενός διανύσματος με τη συνάρτηση min () και max ().

Ο παρακάτω κώδικας επιστρέφει τον χαμηλότερο και τον υψηλότερο αριθμό παιχνιδιών σε μια σεζόν που παίζεται από έναν παίκτη.

# Min and maxdata % > %group_by(playerID) % > %summarise(min_G = min(G),max_G = max(G))

Παραγωγή:

## # A tibble: 10,395 x 3## playerID min_G max_G##  ## 1 aardsda01 53 73## 2 aaronha01 120 156## 3 aasedo01 24 66## 4 abadfe01 18 18## 5 abadijo01 11 11## 6 abbated01 3 153## 7 abbeybe01 11 11## 8 abbeych01 80 132## 9 abbotgl01 5 23## 10 abbotji01 13 29## #… with 10,385 more rows

μετρώ

Η μέτρηση των παρατηρήσεων ανά ομάδα είναι πάντα καλή ιδέα. Με το R, μπορείτε να συγκεντρώσετε τον αριθμό των εμφανίσεων με το n ().

Για παράδειγμα, ο παρακάτω κώδικας υπολογίζει τον αριθμό των ετών που παίζεται από κάθε παίκτη.

# count observationsdata % > %group_by(playerID) % > %summarise(number_year = n()) % > %arrange(desc(number_year))

Παραγωγή:

## # A tibble: 10,395 x 2## playerID number_year##  ## 1 pennohe01 11## 2 joosted01 10## 3 mcguide01 10## 4 rosepe01 10## 5 davisha01 9## 6 johnssi01 9## 7 kaatji01 9## 8 keelewi01 9## 9 marshmi01 9## 10 quirkja01 9## #… with 10,385 more rows

Πρώτος και τελευταίος

Μπορείτε να επιλέξετε την πρώτη, τελευταία ή ένατη θέση μιας ομάδας.

Για παράδειγμα, μπορείτε να βρείτε τον πρώτο και τον τελευταίο χρόνο κάθε παίκτη.

# first and lastdata % > %group_by(playerID) % > %summarise(first_appearance = first(yearID),last_appearance = last(yearID))

Παραγωγή:

## # A tibble: 10,395 x 3## playerID first_appearance last_appearance##   ## 1 aardsda01 2009 2010## 2 aaronha01 1973 1975## 3 aasedo01 1986 1990## 4 abadfe01 2016 2016## 5 abadijo01 1875 1875## 6 abbated01 1905 1897## 7 abbeybe01 1894 1894## 8 abbeych01 1895 1897## 9 abbotgl01 1973 1979## 10 abbotji01 1992 1996## #… with 10,385 more rows

ένατη παρατήρηση

Το fonction nth () είναι συμπληρωματικό του πρώτου () και του τελευταίου (). Μπορείτε να αποκτήσετε πρόσβαση στην ένατη παρατήρηση σε μια ομάδα με το ευρετήριο για επιστροφή.

Για παράδειγμα, μπορείτε να φιλτράρετε μόνο το δεύτερο έτος που έπαιξε μια ομάδα.

# nthdata % > %group_by(teamID) % > %summarise(second_game = nth(yearID, 2)) % > %arrange(second_game)

Παραγωγή:

## # A tibble: 148 x 2## teamID second_game##  ## 1 BS1 1871## 2 CH1 1871## 3 FW1 1871## 4 NY2 1871## 5 RC1 1871## 6 BR1 1872## 7 BR2 1872## 8 CL1 1872## 9 MID 1872## 10 TRO 1872## #… with 138 more rows

Διακριτός αριθμός παρατήρησης

Η συνάρτηση n () επιστρέφει τον αριθμό των παρατηρήσεων σε μια τρέχουσα ομάδα. Μια κλειστή συνάρτηση στο n () είναι n_distinct (), η οποία μετρά τον αριθμό των μοναδικών τιμών.

Στο επόμενο παράδειγμα, προσθέτετε το σύνολο των παικτών που προσλήφθηκε μια ομάδα κατά τη διάρκεια όλων των περιόδων.

# distinct valuesdata % > %group_by(teamID) % > %summarise(number_player = n_distinct(playerID)) % > %arrange(desc(number_player))

Επεξήγηση κώδικα

• group_by (teamID): Ομαδοποίηση ανά έτος και ομάδα
• summarize (number_player = n_distinct (playerID)): Μετρήστε τον ξεχωριστό αριθμό παικτών ανά ομάδα
• τακτοποίηση (desc (number_player)): Ταξινόμηση των δεδομένων με βάση τον αριθμό της συσκευής αναπαραγωγής

Παραγωγή:

## # A tibble: 148 x 2## teamID number_player##  ## 1 CHN 751## 2 SLN 729## 3 PHI 699## 4 PIT 683## 5 CIN 679## 6 BOS 647## 7 CLE 646## 8 CHA 636## 9 DET 623## 10 NYA 612## #… with 138 more rows

Πολλαπλές ομάδες

Μια συνοπτική στατιστική μπορεί να πραγματοποιηθεί μεταξύ πολλαπλών ομάδων.

# Multiple groupsdata % > %group_by(yearID, teamID) % > %summarise(mean_games = mean(G)) % > %arrange(desc(teamID, yearID))

Επεξήγηση κώδικα

• group_by (yearID, teamID): Ομαδοποίηση ανά έτος και ομάδα
• summarize (mean_games = mean (G)): Συνοψίστε τον αριθμό του παίκτη παιχνιδιού
• τακτοποίηση (desc (teamID, yearID)): Ταξινόμηση των δεδομένων ανά ομάδα και έτος

Παραγωγή:

## # A tibble: 2,829 x 3## # Groups: yearID [146]## yearID teamID mean_games##   ## 1 1884 WSU 20.41667## 2 1891 WS9 46.33333## 3 1886 WS8 22.00000## 4 1887 WS8 51.00000## 5 1888 WS8 27.00000## 6 1889 WS8 52.42857## 7 1884 WS7 8.00000## 8 1875 WS6 14.80000## 9 1873 WS5 16.62500## 10 1872 WS4 4.20000## #… with 2,819 more rows 

Φίλτρο

Πριν σκοπεύετε να κάνετε μια λειτουργία, μπορείτε να φιλτράρετε το σύνολο δεδομένων. Το σύνολο δεδομένων ξεκινά το 1871 και η ανάλυση δεν χρειάζεται τα έτη πριν από το 1980.

# Filterdata % > %filter(yearID > 1980) % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))

Επεξήγηση κώδικα

• φίλτρο (έτος ID> 1980): Φιλτράρετε τα δεδομένα για να εμφανίζονται μόνο τα σχετικά έτη (δηλαδή μετά το 1980)
• group_by (yearID): Ομαδοποίηση ανά έτος
• summarize (mean_game_year = mean (G)): Συνοψίστε τα δεδομένα

Παραγωγή:

## # A tibble: 36 x 2## yearID mean_game_year##  ## 1 1981 40.64583## 2 1982 56.97790## 3 1983 60.25128## 4 1984 62.97436## 5 1985 57.82828## 6 1986 58.55340## 7 1987 48.74752## 8 1988 52.57282## 9 1989 58.16425## 10 1990 52.91556## #… with 26 more rows

Κατάργηση ομάδας

Τελευταίο αλλά όχι λιγότερο σημαντικό, πρέπει να καταργήσετε την ομαδοποίηση πριν θέλετε να αλλάξετε το επίπεδο του υπολογισμού.

# Ungroup the datadata % > %filter(HR > 0) % > %group_by(playerID) % > %summarise(average_HR_game = sum(HR) / sum(G)) % > %ungroup() % > %summarise(total_average_homerun = mean(average_HR_game))

Επεξήγηση κώδικα

• φίλτρο (HR> 0): Εξαίρεση μηδενικών ομηρών
• group_by (playerID): ομάδα ανά παίκτη
• σύνοψη (μέσος όρος_HR_game = άθροισμα (HR) / άθροισμα (G)): Υπολογίστε το μέσο homerun ανά παίκτη
• ungroup (): καταργήστε την ομαδοποίηση
• σύνοψη (total_average_homerun = μέσος όρος (μέσος όρος_HR_game)): Σύνοψη των δεδομένων

Παραγωγή:

## # A tibble: 1 x 1## total_average_homerun## ## 1 0.06882226

Περίληψη

Όταν θέλετε να επιστρέψετε μια σύνοψη ανά ομάδα, μπορείτε να χρησιμοποιήσετε:

# group by X1, X2, X3group(df, X1, X2, X3) 

πρέπει να καταργήσετε την ομαδοποίηση των δεδομένων με:

ungroup(df) 

Ο παρακάτω πίνακας συνοψίζει τη λειτουργία που μάθατε με σύνοψη ()

summarise(df,mean_x1 = mean(x1))

summarise(df,median_x1 = median(x1))

summarise(df,sum_x1 = sum(x1))

summarise(df,sd_x1 = sd(x1))

summarise(df,interquartile_x1 = IQR(x1))

summarise(df,minimum_x1 = min(x1))

summarise(df,maximum_x1 = max(x1))

summarise(df,quantile_x1 = quantile(x1))

summarise(df,first_x1 = first(x1))

summarise(df,last_x1 = last(x1))

summarise(df,nth_x1 = nth(x1, 2))

summarise(df,n_x1 = n(x1))

summarise(df,n_distinct _x1 = n_distinct(x1))