Fonction d'agrégation R: résumer & Exemple de Group_by ()

Le résumé d'une variable est important pour avoir une idée des données. Cependant, résumer une variable par groupe donne de meilleures informations sur la distribution des données.

Dans ce tutoriel, vous apprendrez comment résumer un ensemble de données par groupe avec la bibliothèque dplyr.

Dans ce tutoriel, vous apprendrez

• Résumer()
• Group_by vs pas de group_by
• Fonction dans summary ()
• Fonction basique
• Sous-ensemble
• Somme
• Écart-type
• Minimum et maximum
• Compter
• Premier et dernier
• nième observation
• Groupes multiples
• Filtre
• Dissocier

Pour ce tutoriel, vous utiliserez le jeu de données de frappeur. L'ensemble de données d'origine contient 102816 observations et 22 variables. Vous n'utiliserez que 20% de cet ensemble de données et utiliserez les variables suivantes:

• playerID: code d'identification du joueur. Facteur
• yearID: Année. Facteur
• teamID: équipe. facteur
• lgID: Ligue. Facteur: AA AL FL NL PL UA
• AB: Aux chauves-souris. Numérique
• G: Jeux: nombre de jeux par un joueur. Numérique
• R: Fonctionne. Numérique
• HR: Homeruns. Numérique
• SH: Le sacrifice frappe. Numérique

Avant d'exécuter le résumé, vous effectuerez les étapes suivantes pour préparer les données:

• Étape 1: Importez les données
• Étape 2: Sélectionnez les variables pertinentes
• Étape 3: trier les données

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)

Une bonne pratique lorsque vous importez un ensemble de données consiste à utiliser la fonction glimpse () pour avoir une idée de la structure de l'ensemble de données.

# Structure of the dataglimpse(data)

Production:

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,… 

Résumer()

La syntaxe de summary () est basique et cohérente avec les autres verbes inclus dans la bibliothèque dplyr.

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

Regardez le code ci-dessous:

summarise(data, mean_run =mean(R))

Explication du code

• summary (data, mean_run = mean (R)): crée une variable nommée mean_run qui est la moyenne de la colonne exécutée à partir des données de l'ensemble de données.

Production:

## mean_run## 1 19.20114

Vous pouvez ajouter autant de variables que vous le souhaitez. Vous retournez la moyenne des parties jouées et la moyenne des sacrifices.

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

Explication du code

• mean_SH = mean (SH, na.rm = TRUE): résume une deuxième variable. Vous définissez na.rm = TRUE car la colonne SH contient des observations manquantes.

Production:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs pas de group_by

La fonction summerise () sans group_by () n'a aucun sens. Il crée des statistiques récapitulatives par groupe. La bibliothèque dplyr applique automatiquement une fonction au groupe que vous avez passé dans le verbe group_by.

Notez que group_by fonctionne parfaitement avec tous les autres verbes (ie mutate (), filter (), arrange (),…).

Il est pratique d'utiliser l'opérateur de pipeline lorsque vous avez plus d'une étape. Vous pouvez calculer le circuit moyen par ligue de baseball.

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

Explication du code

• data: ensemble de données utilisé pour construire les statistiques récapitulatives
• group_by (lgID): calcule le résumé en regroupant la variable `lgID
• summary (mean_run = mean (HR)): calcule le circuit moyen

Production:

### 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

L'opérateur de tube fonctionne également avec ggplot (). Vous pouvez facilement afficher la statistique récapitulative avec un graphique. Toutes les étapes sont poussées à l'intérieur du pipeline jusqu'à ce que le grap soit tracé. Il semble plus visuel de voir le circuit moyen par ligue avec un caractère barre. Le code ci-dessous démontre la puissance de combiner group_by (), summary () et ggplot () ensemble.

Vous ferez l'étape suivante:

• Étape 1: Sélectionnez le bloc de données
• Étape 2: regrouper les données
• Étape 3: résumer les données
• Étape 4: tracer les statistiques récapitulatives

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()"))

Production:

Fonction dans summary ()

Le verbe summary () est compatible avec presque toutes les fonctions de R. Voici une courte liste de fonctions utiles que vous pouvez utiliser avec summary ():

Nous verrons des exemples pour chaque fonction du tableau 1.

Fonction basique

Dans l'exemple précédent, vous n'avez pas stocké la statistique récapitulative dans un bloc de données.

Vous pouvez procéder en deux étapes pour générer une période à partir d'un récapitulatif:

• Étape 1: stocker la trame de données pour une utilisation ultérieure
• Étape 2: Utilisez le jeu de données pour créer un graphique linéaire

Étape 1) Vous calculez le nombre moyen de parties jouées par année.

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

Explication du code

• La statistique récapitulative du jeu de données de frappeur est stockée dans la trame de données ex1.

Production:

## # 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

Étape 2) Vous affichez la statistique récapitulative avec un graphique linéaire et voyez la tendance.

# 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"))

Production:

Sous-ensemble

La fonction summary () est compatible avec le sous-ensemble.

## 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]))

Explication du code

• median_at_bat_league_no_zero = median (AB [AB> 0]): La variable AB contient beaucoup de 0. Vous pouvez comparer la médiane de la variable at bat avec et sans 0.

Production:

## # 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

Somme

Une autre fonction utile pour agréger la variable est sum ().

Vous pouvez vérifier quelles ligues ont le plus de circuits.

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

Production:

## # 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

Écart-type

La dispersion des données est calculée avec l'écart type ou sd () dans R.

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

Production:

## # 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

Il y a beaucoup d'inégalités dans la quantité de circuits effectués par chaque équipe.

Minimum et maximum

Vous pouvez accéder au minimum et au maximum d'un vecteur avec les fonctions min () et max ().

Le code ci-dessous renvoie le nombre le plus bas et le plus élevé de parties dans une saison jouée par un joueur.

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

Production:

## # 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

Compter

Compter les observations par groupe est toujours une bonne idée. Avec R, vous pouvez agréger le nombre d'occurrences avec n ().

Par exemple, le code ci-dessous calcule le nombre d'années jouées par chaque joueur.

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

Production:

## # 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

Premier et dernier

Vous pouvez sélectionner la première, la dernière ou la nième position d'un groupe.

Par exemple, vous pouvez trouver la première et la dernière année de chaque joueur.

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

Production:

## # 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

nième observation

La fonction nth () est complémentaire de first () et last (). Vous pouvez accéder à la nième observation au sein d'un groupe avec l'index à renvoyer.

Par exemple, vous ne pouvez filtrer que la deuxième année où une équipe a joué.

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

Production:

## # 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

Nombre distinct d'observation

La fonction n () renvoie le nombre d'observations dans un groupe courant. Une fonction fermée de n () est n_distinct (), qui compte le nombre de valeurs uniques.

Dans l'exemple suivant, vous additionnez le total des joueurs qu'une équipe a recrutés pendant toutes les périodes.

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

Explication du code

• group_by (teamID): Grouper par année et par équipe
• summary (number_player = n_distinct (playerID)): comptez le nombre distinct de joueurs par équipe
• arrange (desc (number_player)): Trier les données par nombre de joueurs

Production:

## # 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

Groupes multiples

Une statistique récapitulative peut être réalisée parmi plusieurs groupes.

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

Explication du code

• group_by (yearID, teamID): Grouper par année et par équipe
• summary (mean_games = mean (G)): résume le nombre de joueurs
• arrange (desc (teamID, yearID)): Trier les données par équipe et par année

Production:

## # 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 

Filtre

Avant de procéder à une opération, vous pouvez filtrer l'ensemble de données. L'ensemble de données commence en 1871 et l'analyse n'a pas besoin des années antérieures à 1980.

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

Explication du code

• filter (yearID> 1980): filtre les données pour n'afficher que les années pertinentes (c'est-à-dire après 1980)
• group_by (yearID): Regrouper par année
• summary (mean_game_year = mean (G)): résumer les données

Production:

## # 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

Dissocier

Enfin, vous devez supprimer le regroupement avant de vouloir modifier le niveau de calcul.

# 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))

Explication du code

• filtre (HR> 0): exclure zéro homerun
• group_by (playerID): groupe par joueur
• summary (average_HR_game = sum (HR) / sum (G)): Calculer le circuit moyen par joueur
• ungroup (): supprimer le regroupement
• summary (total_average_homerun = mean (average_HR_game)): résume les données

Production:

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

Résumé

Lorsque vous souhaitez renvoyer un récapitulatif par groupe, vous pouvez utiliser:

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

vous devez dissocier les données avec:

ungroup(df) 

Le tableau ci-dessous résume la fonction que vous avez apprise avec summary ()

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))