Es importante tener un resumen de variables para tener una idea de los datos. Mientras que resumir una variable por grupo proporciona una mejor información sobre la distribución de los datos.
En este tutorial, aprenderá a resumir un conjunto de datos en grupos con la biblioteca dplyr.
En este tutorial, aprenderá
Para este tutorial, usará el conjunto de datos de bateo. El conjunto de datos original contiene 102816 observaciones y 22 variables. Utilizará solo el 20 por ciento de este conjunto de datos y utilizará las siguientes variables:
- playerID: código de identificación del jugador. Factor
- yearID: Año. Factor
- teamID: Equipo. factor
- lgID: Serie. Factor: AA AL FL NL PL UA
- AB: Al murciélago. Numérico
- G: Juegos: el número de juegos de un jugador. Numérico
- R: Corre. Numérico
- HR: Homeruns. Numérico
- SH: Lo más destacado del sacrificio. Numérico
Antes de resumir, tomará los siguientes pasos para preparar los datos:
- Paso 1: importar los datos
- Paso 2: seleccione las variables relevantes
- Paso 3: ordena los datos
library(dplyr) # Step 1 data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") % > % # Step 2 select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) % > % # Step 3 arrange(playerID, teamID, yearID)
Es una buena práctica al importar un conjunto de datos utilizar la función snapshot () para darle una idea de la estructura del conjunto de datos.
# Structure of the data glimpse(data)
Producción:
Observations: 104,324 Variables: 9 $ playerID <fctr> aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a... $ yearID <int> 2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196... $ AB <int> 1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495, ... $ teamID <fctr> ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A... $ lgID <fctr> NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL, ... $ G <int> 33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15... $ R <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75... $ HR <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40... $ SH <int> 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6, ...
Resumen ()
La sintaxis de summary () es básica y coherente con los otros verbos incluidos en la biblioteca dplyr.
summarise(df, variable_name=condition) arguments: - `df`: Dataset used to construct the summary statistics - `variable_name=condition`: Formula to create the new variable
Ver código a continuación:
summarise(data, mean_run =mean(R))
Explicación del Código
- resumen (datos, mean_run = mean (R)): una variable llamada mean_run crea la media de la columna ejecutada a partir del conjunto de datos.
Producción:
## mean_run ## 1 19.20114
Puede agregar tantas variables como desee. Devuelve los juegos promedio jugados y los sacrificios promedio.
summarise(data, mean_games = mean(G), mean_SH = mean(SH, na.rm = TRUE))
Explicación del Código
- mean_SH = mean (SH, na.rm = TRUE): resume la segunda variable. Establece na.rm = TRUE porque faltan observaciones en la columna SH.
Producción:
## mean_games mean_SH ## 1 51.98361 2.340085
Group_by vs por group_by
La función summer () no tiene sentido sin group_by (). Crea estadísticas resumidas por grupo. La biblioteca dplyr aplica automáticamente una función al grupo que pasó dentro del verbo group_by.
Tenga en cuenta que group_by funciona perfectamente con todos los demás verbos (es decir, mutate (), filter (), fix (), …).
Es conveniente utilizar el operador de canalización cuando tiene más de una etapa. Puede calcular el jonrón promedio por liga de béisbol.
data % > % group_by(lgID) % > % summarise(mean_run = mean(HR))
Explicación del Código
- datos: un conjunto de datos que se utiliza para construir las estadísticas de resumen
- group_by (lgID): Calcule el resumen agrupando la variable `lgID
- resumen (mean_run = mean (HR)): Calcula el jonrón promedio
Producción:
## # A tibble: 7 x 2 ## lgID mean_run ## <fctr> <dbl> ## 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 <NA> 0.2867133
El operador de tubería también trabaja con ggplot (). Puede mostrar fácilmente la estadística de resumen con un gráfico. Todos los pasos se empujan dentro de la tubería hasta que se traza la grapa. Parece más visual ver el homerun ordinario en secuencia con un bar-char. El siguiente código muestra el poder de combinar group_by (), summary () y ggplot ().
Darás el siguiente paso:
- Paso 1: seleccione un marco de datos
- Paso 2: detalles del grupo
- Paso 3: resumir los detalles
- Paso 4: trazar las estadísticas de resumen
library(ggplot2) # Step 1 data % > % #Step 2 group_by(lgID) % > % #Step 3 summarise(mean_home_run = mean(HR)) % > % #Step 4 ggplot(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()" ) )
Producción:
Función en resumen ()
El resumen del verbo () es compatible con casi todas las funciones en R. Aquí hay una breve lista de funciones útiles que puede usar junto con un resumen ():
Propósito | Función | Suelte |
---|---|---|
Básico | promedio () | Vector promedio x |
mediana () | Mediana del vector x | |
suma () | La suma del vector x | |
diversidad | Dakota del Sur () | desviación estándar del vector x |
IQR () | Intercuartil del vector x | |
Distancia | min () | Vector x al menos |
uas () | Vector máximo x | |
cuantitativo () | Cantidad del vector x | |
Correo | al principio () | Usar con group_by () Primera vista del grupo |
último () | Úselo con group_by (). Última observación del grupo | |
nth () | Úselo con group_by (). la novena observación del grupo | |
Número | n () | Úselo con group_by (). Cuente el número de filas |
n_distinct () | Úselo con group_by (). Cuente el número de observaciones individuales |
Veremos ejemplos para cada función de la tabla 1.
Función básica
En el ejemplo anterior, no almacenó la estadística de resumen en un marco de datos.
Puede proceder en dos pasos para generar un marco de fecha a partir de un resumen:
- Paso 1: almacene el marco de datos para su uso posterior
- Paso 2: use el conjunto de datos para crear una gráfica de línea
Paso 1) Calcula el número medio de juegos jugados por año.
## Mean ex1 <- data % > % group_by(yearID) % > % summarise(mean_game_year = mean(G)) head(ex1)
Explicación del Código
- Las estadísticas resumidas del conjunto de datos de bateo se almacenan en el marco de datos ex1.
Producción:
## # A tibble: 6 x 2 ## yearID mean_game_year ## <int> <dbl> ## 1 1871 23.42308 ## 2 1872 18.37931 ## 3 1873 25.61538 ## 4 1874 39.05263 ## 5 1875 28.39535 ## 6 1876 35.90625
Paso 2) Muestra la estadística de resumen con un gráfico de línea y ve la tendencia.
# Plot the graph ggplot(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" ) )
Producción:
Subconfiguración
El resumen de function () es compatible con subconjuntos.
## Subsetting + Median data % > % group_by(lgID) % > % summarise(median_at_bat_league = median(AB), #Compute the median without the zero median_at_bat_league_no_zero = median(AB[AB > 0]))
Explicación del Código
- median_at_bat_league_no_zero = mediana (AB[AB > 0]): La variable AB contiene muchos 0 .. Puedes mediar en el al bate variable con y sin 0.
Producción:
## # A tibble: 7 x 3 ## lgID median_at_bat_league median_at_bat_league_no_zero ## <fctr> <dbl> <dbl> ## 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 <NA> 101 101
Suma
Otra función útil para agregar la variable es sum ().
Puedes comprobar qué filas tienen más jonrones.
## Sum data % > % group_by(lgID) % > % summarise(sum_homerun_league = sum(HR))
Producción:
## # A tibble: 7 x 2 ## lgID sum_homerun_league ## <fctr> <int> ## 1 AA 341 ## 2 AL 29426 ## 3 FL 130 ## 4 NL 29817 ## 5 PL 98 ## 6 UA 46 ## 7 <NA> 41
Desviación Estándar
La dispersión de los datos se calcula con la desviación estándar o sd () en R.
# Spread data % > % group_by(teamID) % > % summarise(sd_at_bat_league = sd(HR))
Producción:
## # A tibble: 148 x 2 ## teamID sd_at_bat_league ## <fctr> <dbl> ## 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
Hay mucha desigualdad en la cantidad de jonrones que hace cada equipo.
Mínimo y máximo
Puede acceder al vector mínimo y máximo con la función min () y max ().
El siguiente código proporciona el número más bajo y más alto de juegos en una temporada que juega un jugador.
# Min and max data % > % group_by(playerID) % > % summarise(min_G = min(G), max_G = max(G))
Producción:
## # A tibble: 10,395 x 3 ## playerID min_G max_G ## <fctr> <int> ## 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
Número
Siempre es una buena idea contar las observaciones grupales. Con R, puede agregar el número de ocurrencias con n ().
Por ejemplo, el siguiente código calcula la cantidad de años que juega cada jugador.
# count observations data % > % group_by(playerID) % > % summarise(number_year = n()) % > % arrange(desc(number_year))
Producción:
## # A tibble: 10,395 x 2 ## playerID number_year ## <fctr> <int> ## 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
Primero y último
Puede elegir la primera, última o novena ubicación de un grupo.
Por ejemplo, puede obtener el primer y último año de cada jugador.
# first and last data % > % group_by(playerID) % > % summarise(first_appearance = first(yearID), last_appearance = last(yearID))
Producción:
## # A tibble: 10,395 x 3 ## playerID first_appearance last_appearance ## <fctr> <int> <int> ## 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
la novena observación
La función nth () es complementaria a la primera () y la última (). Puede acceder a la novena observación dentro de un grupo con el índice para regresar.
Por ejemplo, solo puede filtrar el segundo año que ha jugado un equipo.
# nth data % > % group_by(teamID) % > % summarise(second_game = nth(yearID, 2)) % > % arrange(second_game)
Producción:
## # A tibble: 148 x 2 ## teamID second_game ## <fctr> <int> ## 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
Número específico de observaciones
La función n () envía el número de vistas en un grupo actual. Una función cerrada en n () es n_distinct (), que cuenta el número de valores únicos.
En el siguiente ejemplo, calcula el número total de jugadores que recluta un equipo durante todos los períodos.
# distinct values data % > % group_by(teamID) % > % summarise(number_player = n_distinct(playerID)) % > % arrange(desc(number_player))
Explicación del Código
- group_by (teamID): grupo por año y personal
- resumen (number_player = n_distinto(playerID)): cuenta el número específico de jugadores por equipo
- set (desc (number_player)): ordena los datos por número de jugador
Producción:
## # A tibble: 148 x 2 ## teamID number_player ## <fctr> <int> ## 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
Numerosos grupos
Se pueden obtener estadísticas resumidas entre muchos grupos.
# Multiple groups data % > % group_by(yearID, teamID) % > % summarise(mean_games = mean(G)) % > % arrange(desc(teamID, yearID))
Explicación del Código
- group_by (yearID, teamID): grupo por año y personal
- resumen (mean_games = average (G)): resume el número de jugadores del juego
- setting (desc (teamID, yearID)): ordena los datos por equipo y año
Producción:
## # A tibble: 2,829 x 3 ## # Groups: yearID [146] ## yearID teamID mean_games ## <int> <fctr> <dbl> ## 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
Filtrar
Antes de que tenga la intención de realizar una operación, puede filtrar el conjunto de datos. El conjunto de datos comienza en 1871 y no se requiere el análisis en los años anteriores a 1980.
# Filter data % > % filter(yearID > 1980) % > % group_by(yearID) % > % summarise(mean_game_year = mean(G))
Explicación del Código
- filter (yearID> 1980): filtra los datos para mostrar solo los años relevantes (es decir, después de 1980)
- group_by (yearID): grupo por año
- summary (mean_game_year = mean (G)): resume los datos
Producción:
## # A tibble: 36 x 2 ## yearID mean_game_year ## <int> <dbl> ## 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
Grupo
Por último, pero no menos importante, debe eliminar la agrupación antes de cambiar el nivel de cálculo.
# Ungroup the data data % > % filter(HR > 0) % > % group_by(playerID) % > % summarise(average_HR_game = sum(HR) / sum(G)) % > % ungroup() % > % summarise(total_average_homerun = mean(average_HR_game))
Explicación del Código
- filtro (HR> 0): dejar cero jonrón apagado
- group_by (playerID): grupo por jugador
- resumen (average_HR_game = sum (HR) / sum (G)): Calcula el jonrón promedio por jugador
- desagrupar (): eliminar la agrupación
- resumen (total_average_homerun = mean (average_HR_game)): resume los datos
Producción:
## # A tibble: 1 x 1 ## total_average_homerun ## <dbl> ## 1 0.06882226
Resumen
Cuando desee restaurar un resumen por grupo, puede:
# group by X1, X2, X3 group(df, X1, X2, X3)
debe desagrupar los datos con:
ungroup(df)
La siguiente tabla resume la función que aprendió con un resumen ()
método | función | código |
---|---|---|
significar | significar | summarise(df,mean_x1 = mean(x1)) |
mediana | mediana | summarise(df,median_x1 = median(x1)) |
suma | suma | summarise(df,sum_x1 = sum(x1)) |
Desviación Estándar | Dakota del Sur | summarise(df,sd_x1 = sd(x1)) |
intercuartil | IQR | summarise(df,interquartile_x1 = IQR(x1)) |
por lo menos | min | summarise(df,minimum_x1 = min(x1)) |
máximo | uas | summarise(df,maximum_x1 = max(x1)) |
cuantitativo | cuantitativo | summarise(df,quantile_x1 = quantile(x1)) |
primera observación | al principio | summarise(df,first_x1 = first(x1)) |
última observación | último | summarise(df,last_x1 = last(x1)) |
la novena observación | enésimo | summarise(df,nth_x1 = nth(x1, 2)) |
numero de incidentes | norte | summarise(df,n_x1 = n(x1)) |
número de incidentes específicos | n_distinto | summarise(df,n_distinct _x1 = n_distinct(x1)) |