R Skupna funkcija: Povzetek & Primer skupine_ ()

Povzetek spremenljivke je pomemben za predstavo o podatkih. Čeprav povzemanje spremenljivke po skupinah daje boljše informacije o porazdelitvi podatkov.

V tej vadnici boste izvedeli, kako povzeti nabor podatkov po skupinah s knjižnico dplyr.

V tej vadnici boste izvedeli

• Povzetek ()
• Group_by vs no group_by
• Funkcija v povzetku ()
• Osnovna funkcija
• Podnastavitev
• Vsota
• Standardni odklon
• Najmanj in največ
• Štetje
• Prvi in ​​zadnji
• n-to opazovanje
• Več skupin
• Filter
• Razdruži se

Za to vadnico boste uporabili nabor podatkov o battingu. Prvotni nabor podatkov vsebuje 102816 opazovanj in 22 spremenljivk. Uporabili boste le 20 odstotkov tega nabora podatkov in uporabili naslednje spremenljivke:

• playerID: ID koda igralca. Faktor
• yearID: Leto. Faktor
• teamID: Ekipa. dejavnik
• lgID: Liga. Faktor: AA AL FL NL PL UA
• AB: Pri netopirjih. Številsko
• G: Igre: število iger igralca. Številsko
• R: Teče. Številsko
• HR: Homeruni. Številsko
• SH: Zadetki žrtvovanja. Številsko

Preden izvedete povzetek, naredite naslednje korake za pripravo podatkov:

• 1. korak: uvozite podatke
• 2. korak: Izberite ustrezne spremenljivke
• 3. korak: razvrstite podatke

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)

Dobra praksa pri uvozu nabora podatkov je uporaba funkcije glimpse (), da dobite idejo o strukturi nabora podatkov.

# Structure of the dataglimpse(data)

Izhod:

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,… 

Povzetek ()

Sintaksa summarize () je osnovna in skladna z drugimi glagoli, vključenimi v knjižnico dplyr.

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

Poglejte spodnjo kodo:

summarise(data, mean_run =mean(R))

Razlaga kode

• povzetek (data, mean_run = mean (R)): Ustvari spremenljivko z imenom mean_run, ki je povprečje stolpca, zagnanega iz podatkov nabora podatkov.

Izhod:

## mean_run## 1 19.20114

Dodate lahko poljubno število spremenljivk. Vrnete povprečno število odigranih iger in povprečne zadetke.

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

Razlaga kode

• mean_SH = povprečje (SH, na.rm = TRUE): Povzemite drugo spremenljivko. Nastavite na.rm = TRUE, ker stolpec SH vsebuje manjkajoča opažanja.

Izhod:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Funkcija summerise () brez group_by () nima nobenega smisla. Ustvari zbirno statistiko po skupinah. Knjižnica dplyr samodejno uporabi funkcijo za skupino, ki ste jo predali znotraj glagola group_by.

Upoštevajte, da group_by popolnoma deluje z vsemi drugimi glagoli (npr. Mutate (), filter (), dogovor (),…)

Operater cevovoda je priročno uporabiti, če imate več kot en korak. Povprečni homerun lahko izračunate po baseball ligi.

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

Razlaga kode

• podatki: Nabor podatkov, ki se uporablja za izdelavo povzetka statistike
• group_by (lgID): Povzetek izračunajte tako, da spremenljivko `lgID združite v skupine
• povzetek (mean_run = povprečje (HR)): Izračunajte povprečno vrednost homeruna

Izhod:

### 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

Operator cevi deluje tudi z ggplot (). Povzetek statistike lahko enostavno prikažete z grafom. Vsi koraki se potisnejo v cevovod, dokler se grabež ne nariše. Bolj vizualno se zdi videti povprečnega homeruna po ligah s palico. Spodnja koda prikazuje moč kombiniranja group_by (), povzetek () in ggplot () skupaj.

Naredili boste naslednji korak:

• 1. korak: izberite podatkovni okvir
• 2. korak: Združi podatke
• 3. korak: Povzemite podatke
• 4. korak: Izrišite povzetek statističnih podatkov

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()"))

Izhod:

Funkcija v povzetku ()

Glagol summarize () je združljiv s skoraj vsemi funkcijami v R. Tu je kratek seznam uporabnih funkcij, ki jih lahko uporabite skupaj s summarize ():

Videli bomo primere za vse funkcije tabele 1.

Osnovna funkcija

V prejšnjem primeru povzetka statistike niste shranili v podatkovni okvir.

V dveh korakih lahko iz povzetka generirate datumski okvir:

• 1. korak: shranite podatkovni okvir za nadaljnjo uporabo
• 2. korak: Z naborom podatkov ustvarite linijski načrt

Korak 1) Izračunate povprečno število odigranih iger po letu.

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

Razlaga kode

• Povzetek statističnih podatkov o naboru podatkov je shranjen v podatkovnem okviru ex1.

Izhod:

## # 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

Korak 2) Zbirno statistiko prikažete s črto in vidite trend.

# 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"))

Izhod:

Podnastavitev

Funkcija summarize () je združljiva s podnastavitvami.

## 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]))

Razlaga kode

• median_at_bat_league_no_zero = mediana (AB [AB> 0]): Spremenljivka AB vsebuje veliko 0. Mediano spremenljivke at bat lahko primerjate z in brez 0.

Izhod:

## # 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

Vsota

Druga uporabna funkcija za združevanje spremenljivke je sum ().

Lahko preverite, katere lige imajo več homerunov.

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

Izhod:

## # 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

Standardni odklon

Razširitev podatkov se izračuna s standardnim odklonom ali sd () v R.

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

Izhod:

## # 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

V količini homerunov, ki jih opravi vsaka ekipa, je veliko neenakosti.

Najmanj in največ

Do najmanjšega in največjega vektorja lahko dostopate s funkcijama min () in max ().

Spodnja koda vrne najmanjše in največje število iger v sezoni, ki jo je igral igralec.

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

Izhod:

## # 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

Štetje

Štetje opazovanj po skupinah je vedno dobra ideja. Z R lahko število pojavitev združite z n ().

Spodnja koda na primer izračuna število let, ki jih je igral vsak igralec.

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

Izhod:

## # 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

Prvi in ​​zadnji

Izberete lahko prvi, zadnji ali nti položaj skupine.

Na primer, najdete prvo in zadnje leto vsakega igralca.

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

Izhod:

## # 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

n-to opazovanje

Funkcija nth () se dopolnjuje s first () in last (). Do vrnitve lahko dostopate do n-tega opazovanja znotraj skupine z indeksom.

Na primer, lahko filtrirate samo drugo leto, ko je igrala ekipa.

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

Izhod:

## # 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

Izrazito število opazovanj

Funkcija n () vrne število opazovanj v trenutni skupini. Zaprta funkcija za n () je n_distinct (), ki šteje število enoličnih vrednosti.

V naslednjem primeru seštejete skupno število igralcev, ki jih je ekipa zaposlila v vseh obdobjih.

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

Razlaga kode

• group_by (teamID): Razvrščanje po letih in skupini
• povzetek ( number_player = n_distinct (playerID)): preštejte različno število igralcev glede na ekipo
• dogovori (desc (number_player)): Razvrstite podatke po številu igralcev

Izhod:

## # 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

Več skupin

Povzetek statistike je mogoče uresničiti med več skupinami.

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

Razlaga kode

• group_by (yearID, teamID): Razvrščanje po letih in skupini
• povzetek (povprečne_igre = povprečje (G)): sešteje število igralcev
• dogovori (desc (teamID, yearID)): Razvrstite podatke po skupini in letu

Izhod:

## # 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 

Filter

Preden nameravate izvesti operacijo, lahko nabor podatkov filtrirate. Nabor podatkov se začne leta 1871 in analiza ne potrebuje let pred letom 1980.

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

Razlaga kode

• filter (yearID> 1980): filtrirajte podatke, da bodo prikazani samo ustrezna leta (tj. po 1980)
• group_by (yearID): Razvrščanje po letih
• povzetek (povprečno_igra_ leto = povprečje (G)): povzetek podatkov

Izhod:

## # 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

Razdruži se

Nenazadnje morate odstraniti razvrščanje, preden želite spremeniti raven izračuna.

# 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))

Razlaga kode

• filter (HR> 0): Izključi nič homerun
• group_by (ID igralca): skupina po igralcu
• povzetek (povprečna_igra_igre = vsota (HR) / vsota (G)): Izračuna povprečno število igralcev
• ungroup (): odstranite razvrščanje
• povzetek (total_average_homerun = povprečje (povprečna_HR_igra)): povzetek podatkov

Izhod:

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

Povzetek

Če želite povzetek vrniti po skupinah, lahko uporabite:

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

podatke morate razstaviti z:

ungroup(df) 

Spodnja tabela povzema funkcijo, ki ste se je naučili, summarize ()

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))