Función de agregación de R: resumen y ejemplo de Group_by ()

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 ():

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 ()

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))