R Kokoomatehtävä: Yhteenveto & Group_by () Esimerkki

Muuttujan yhteenveto on tärkeä, jotta sinulla on käsitys tiedoista. Vaikka muuttujan yhteenveto ryhmittäin antaa parempaa tietoa tietojen jakautumisesta.

Tässä opetusohjelmassa opit kuinka tiivistää tietojoukko ryhmittäin dplyr-kirjaston kanssa.

Tässä opetusohjelmassa opit

• Yhteenveto ()
• Group_by vs. no group_by
• Toiminto yhteenvedossa ()
• Perustoiminto
• Tilaus
• Summa
• Keskihajonta
• Pienin ja suurin
• Kreivi
• Ensimmäinen ja viimeinen
• n. havainto
• Useita ryhmiä
• Suodattaa
• Pura ryhmä

Tässä opetusohjelmassa käytetään lyöntitietojoukkoa. Alkuperäinen aineisto sisältää 102816 havaintoa ja 22 muuttujaa. Käytät vain 20 prosenttia tästä tietojoukosta ja käytät seuraavia muuttujia:

• playerID: Pelaajan tunnuskoodi. Tekijä
• vuosiID: Vuosi. Tekijä
• teamID: Joukkue. tekijä
• lgID: Liiga. Kerroin: AA AL FL NL PL UA
• AB: Lepakoilla. Numeerinen
• G: Pelit: pelaajan pelien määrä. Numeerinen
• R: Käynnissä. Numeerinen
• HR: Homeruns. Numeerinen
• SH: Uhrihittejä. Numeerinen

Ennen kuin teet yhteenvedon, tee seuraavat vaiheet tietojen valmistelemiseksi:

• Vaihe 1: Tuo tiedot
• Vaihe 2: Valitse asiaankuuluvat muuttujat
• Vaihe 3: Lajittele tiedot

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)

Hyvä tapa tuoda tietojoukko on käyttää glimpse () -toimintoa saadaksesi käsityksen tietojoukon rakenteesta.

# Structure of the dataglimpse(data)

Tuotos:

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,… 

Yhteenveto ()

Summate () -syntaksi on perus- ja yhdenmukainen muiden dplyr-kirjastoon sisältyvien verbien kanssa.

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

Katso alla oleva koodi:

summarise(data, mean_run =mean(R))

Koodin selitys

• yhteenveto (data, keskimääräinen_ajo = keskiarvo (R)): Luo muuttujan nimeltä keskimääräinen_ajo, joka on datajoukon tiedoista käydyn sarakkeen keskiarvo.

Tuotos:

## mean_run## 1 19.20114

Voit lisätä niin monta muuttujaa kuin haluat. Palautat keskimääräiset pelatut pelit ja keskimääräiset uhriosumat.

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

Koodin selitys

• keskiarvo_SH = keskiarvo (SH, na.rm = TOSI): Tee yhteenveto toisesta muuttujasta. Asetat na.rm = TOSI, koska sarake SH sisältää puuttuvia havaintoja.

Tuotos:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs. no group_by

Funktiolla summerise () ilman group_by () ei ole mitään järkeä. Se luo yhteenvetotilaston ryhmittäin. Kirjasto dplyr käyttää funktiota automaattisesti ryhmään, jonka olet välittänyt verbin group_by sisällä.

Huomaa, että group_by toimii täydellisesti kaikkien muiden verbien kanssa (ts. Mutatoi (), suodata (), järjestä (),…).

Putkijohtoa on kätevää käyttää, kun sinulla on enemmän kuin yksi askel. Voit laskea keskimääräisen kotikokeen baseball-liigan mukaan.

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

Koodin selitys

• data: Tietojoukko, jota käytetään yhteenvetotilastojen rakentamiseen
• group_by (lgID): Laske yhteenveto ryhmittelemällä muuttuja `lgID
• yhteenveto (keskiarvo = keskiarvo (HR)): Laske keskimääräinen kotikerta

Tuotos:

### 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

Putkenoperaattori toimii myös ggplot (): n kanssa. Voit näyttää yhteenvetotilaston helposti kaavion avulla. Kaikki vaiheet työnnetään putkilinjan sisään, kunnes viinirypäle on juoni. Vaikuttaa visuaalisemmalta nähdä keskimääräinen kotikokemus liigan mukaan baarihiilellä. Alla oleva koodi osoittaa voiman yhdistää group_by (), yhteenveto () ja ggplot () yhdessä.

Suoritat seuraavan vaiheen:

• Vaihe 1: Valitse tietokehys
• Vaihe 2: Ryhmittele tiedot
• Vaihe 3: Yhteenveto tiedoista
• Vaihe 4: Piirrä yhteenvetotilastot

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()"))

Tuotos:

Toiminto yhteenvedossa ()

Verbi yhteenveto () on yhteensopiva melkein kaikkien R: n funktioiden kanssa. Tässä on lyhyt luettelo hyödyllisistä funktioista, joita voit käyttää yhdessä yhteenvedon () kanssa:

Näemme esimerkkejä taulukon 1 jokaisesta toiminnosta.

Perustoiminto

Edellisessä esimerkissä et tallentanut yhteenvetotilastoa tietokehykseen.

Voit luoda päivämääräkehyksen yhteenvedosta kahdessa vaiheessa:

• Vaihe 1: Tallenna datakehys jatkokäyttöä varten
• Vaihe 2: Luo viivakaavio tietojoukon avulla

Vaihe 1) Laske keskimääräinen pelattujen pelien lukumäärä vuodessa.

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

Koodin selitys

• Vatsaustietojoukon yhteenvetotilasto on tallennettu tietokehykseen ex1.

Tuotos:

## # 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

Vaihe 2) Näytät yhteenvetotilaston viivapiirroksella ja näet trendin.

# 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"))

Tuotos:

Tilaus

Funktio summarize () on yhteensopiva aliasetusten kanssa.

## 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]))

Koodin selitys

• median_at_bat_league_no_zero = mediaani (AB [AB> 0]): Muuttuja AB sisältää paljon 0. Voit verrata at bat -muuttujan mediaania 0: lla ja ilman sitä.

Tuotos:

## # 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

Summa

Toinen hyödyllinen funktio muuttujan yhdistämiseksi on summa ().

Voit tarkistaa, millä liigoilla on enemmän kotirajoituksia.

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

Tuotos:

## # 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

Keskihajonta

Datan leviäminen lasketaan R: n keskihajonnalla tai sd (): llä.

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

Tuotos:

## # 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

Jokaisen joukkueen tekemien kotikierrosten määrässä on paljon eriarvoisuutta.

Pienin ja suurin

Voit käyttää vektorin vähimmäis- ja enimmäismääriä toiminnoilla min () ja max ().

Alla oleva koodi palauttaa pienimmän ja suurimman määrän pelejä pelaajan kaudella.

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

Tuotos:

## # 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

Kreivi

Laske havainnot ryhmittäin on aina hyvä idea. R: llä voit koota esiintymien määrän n: llä ().

Esimerkiksi alla oleva koodi laskee kunkin pelaajan pelaamien vuosien lukumäärän.

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

Tuotos:

## # 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

Ensimmäinen ja viimeinen

Voit valita ryhmän ensimmäisen, viimeisen tai n: nnen sijainnin.

Voit esimerkiksi löytää jokaisen pelaajan ensimmäisen ja viimeisen vuoden.

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

Tuotos:

## # 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. havainto

Fiktio nth () täydentää ensimmäistä () ja viimeistä (). Voit käyttää ryhmän n: tä havaintoa palatun indeksin avulla.

Voit esimerkiksi suodattaa vain toisen vuoden, jota joukkue pelasi.

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

Tuotos:

## # 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

Erillinen havaintojen määrä

Funktio n () palauttaa havaintojen määrän nykyisessä ryhmässä. Suljettu funktio kohtaan n () on n_distinct (), joka laskee yksilöllisten arvojen määrän.

Seuraavassa esimerkissä lasketaan yhteen joukko pelaajia, jotka joukkue on värvännyt kaikkien jaksojen aikana.

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

Koodin selitys

• group_by (teamID): Ryhmittele vuosi ja tiimi
• yhteenveto (numero_pelaaja = n_erottelu (pelaajaID)): Laske erillinen pelaajamäärä joukkueittain
• järjestä (desc (numero_pelaaja)): Lajittele tiedot pelaajan lukumäärän mukaan

Tuotos:

## # 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

Useita ryhmiä

Yhteenvetotilasto voidaan toteuttaa useiden ryhmien välillä.

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

Koodin selitys

• group_by (vuosiID, teamID): Ryhmittele vuosi ja tiimi
• yhteenveto (keskimääräiset pelit = keskiarvo (G)): Tee yhteenveto pelaajien lukumäärästä
• järjestä (desc (teamID, yearID)): Lajittele tiedot tiimin ja vuoden mukaan

Tuotos:

## # 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 

Suodattaa

Ennen kuin aiot tehdä jonkin toiminnon, voit suodattaa tietojoukon. Tietojoukko alkaa vuonna 1871, eikä analyysi tarvitse vuotta 1980 edeltäviä vuosia.

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

Koodin selitys

• suodatin (vuosiID> 1980): Suodata tiedot näyttämään vain merkitykselliset vuodet (ts. vuoden 1980 jälkeen)
• group_by (yearID): Ryhmittele vuosi
• yhteenveto (keskimääräinen_peli_vuosi = keskiarvo (G)): Yhteenveto tiedoista

Tuotos:

## # 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

Pura ryhmä

Viimeisenä mutta ei vähäisimpänä, sinun on poistettava ryhmittely, ennen kuin haluat muuttaa laskentatasoa.

# 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))

Koodin selitys

• suodatin (HR> 0): Sulje pois nolla homerun
• group_by (playerID): ryhmittele pelaajan mukaan
• yhteenveto (keskimääräinen_HR_peli = summa (HR) / summa (G)): Laske keskimääräinen kotikokemus pelaajan mukaan
• ungroup (): poista ryhmittely
• yhteenveto (yhteensä_keskiarvo_homerun = keskiarvo (keskimääräinen_HR_peli)): Yhteenveto tiedoista

Tuotos:

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

Yhteenveto

Kun haluat palauttaa yhteenvedon ryhmittäin, voit käyttää:

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

sinun on purettava tiedot seuraavien ryhmien kanssa:

ungroup(df) 

Seuraavassa taulukossa on yhteenveto toiminnosta, jonka olet oppinut yhteenvedon () kanssa

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))