Bir değişkenin özeti, veriler hakkında fikir sahibi olmak için önemlidir. Bununla birlikte, bir değişkeni grup bazında özetlemek, verilerin dağılımı hakkında daha iyi bilgi verir.
Bu eğitimde, bir veri kümesini dplyr kitaplığıyla gruplara göre nasıl özetleyeceğinizi öğreneceksiniz.
Bu eğitimde öğreneceksiniz
- Özetle ()
- Group_by ve group_by yok
- Özet () işlevi
- Temel işlev
- Alt küme oluşturma
- Toplam
- Standart sapma
- Minimum ve maksimum
- Miktar
- İlk ve son
- n'inci gözlem
- Çoklu gruplar
- Filtrele
- Grubu çöz
Bu eğitim için vuruş veri setini kullanacaksınız. Orijinal veri kümesi 102816 gözlem ve 22 değişken içerir. Bu veri kümesinin yalnızca yüzde 20'sini kullanacak ve aşağıdaki değişkenleri kullanacaksınız:
- playerID: Oyuncu kimliği kodu. Faktör
- yearID: Year. Faktör
- teamID: Takım. faktör
- lgID: Lig. Faktör: AA AL FL NL PL UA
- AB: Yarasalarda. Sayısal
- G: Oyunlar: bir oyuncuya göre oyun sayısı. Sayısal
- R: Çalışır. Sayısal
- HR: Homeruns. Sayısal
- SH: Sacrifice hitleri. Sayısal
Özet yapmadan önce, verileri hazırlamak için aşağıdaki adımları gerçekleştireceksiniz:
- 1. Adım: Verileri içe aktarın
- Adım 2: İlgili değişkenleri seçin
- 3. Adım: Verileri sıralayın
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)
Bir veri kümesini içe aktarırken iyi bir uygulama, veri kümesinin yapısı hakkında fikir sahibi olmak için glimpse () işlevini kullanmaktır.
# Structure of the dataglimpse(data)
Çıktı:
Observations: 104,324Variables: 9$ playerIDaardsda01, 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,…
Özetle ()
Summarize () sözdizimi basittir ve dplyr kitaplığında bulunan diğer fiillerle tutarlıdır.
summarise(df, variable_name=condition)arguments:- `df`: Dataset used to construct the summary statistics- `variable_name=condition`: Formula to create the new variable
Aşağıdaki koda bakın:
summarise(data, mean_run =mean(R))
Kod Açıklama
- özet (veriler, ortalama_çalışma = ortalama (R)): Veri kümesi verilerinden çalıştırılan sütunun ortalaması olan ortalama_çalışma adlı bir değişken oluşturur.
Çıktı:
## mean_run## 1 19.20114
İstediğiniz kadar değişken ekleyebilirsiniz. Oynanan ortalama oyunları ve ortalama fedakarlık vuruşlarını döndürürsünüz.
summarise(data, mean_games = mean(G),mean_SH = mean(SH, na.rm = TRUE))
Kod Açıklama
- ortalama_SH = ortalama (SH, na.rm = DOĞRU): İkinci bir değişkeni özetleyin. Na.rm = DOĞRU ayarını yaptınız çünkü SH sütunu eksik gözlemleri içeriyor.
Çıktı:
## mean_games mean_SH## 1 51.98361 2.340085
Group_by ve group_by yok
Group_by () olmadan yazise () işlevi herhangi bir anlam ifade etmez. Gruba göre özet istatistik oluşturur. Kütüphane dplyr, group_by fiilinin içinde geçirdiğiniz gruba otomatik olarak bir işlev uygular.
Group_by'nin diğer tüm fiillerle (yani mutate (), filter (), düzenlemek (),…) mükemmel çalıştığını unutmayın.
Birden fazla adımınız olduğunda boru hattı operatörünü kullanmanız uygundur. Beyzbol ligine göre ortalama homerun'u hesaplayabilirsiniz.
data % > %group_by(lgID) % > %summarise(mean_run = mean(HR))
Kod Açıklama
- veri: Özet istatistikleri oluşturmak için kullanılan veri kümesi
- group_by (lgID): "lgID" değişkenini gruplayarak özeti hesaplayın
- özetle (ortalama_çalışma = ortalama (HR)): Ortalama homerun'u hesapla
Çıktı:
### 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
Boru operatörü ggplot () ile de çalışır. Özet istatistiği bir grafikle kolayca gösterebilirsiniz. Grap çizilinceye kadar tüm adımlar boru hattının içine itilir. Bir bar karakteriyle lig bazında ortalama homerun'u görmek daha görsel görünüyor. Aşağıdaki kod, group_by (), summarize () ve ggplot () öğelerini bir araya getirmenin gücünü göstermektedir.
Aşağıdaki adımı yapacaksınız:
- Adım 1: Veri çerçevesini seçin
- Adım 2: Verileri gruplandırın
- 3. Adım: Verileri özetleyin
- 4. Adım: Özet istatistiklerin grafiğini çizin
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()"))
Çıktı:
Özet () işlevi
Summarize () fiili, R'deki hemen hemen tüm işlevlerle uyumludur. İşte summarize () ile birlikte kullanabileceğiniz yararlı işlevlerin kısa bir listesi:
Amaç | Fonksiyon | Açıklama |
---|---|---|
Temel | anlamına gelmek() | X vektörünün ortalaması |
medyan() | X vektörünün medyanı | |
toplam () | X vektörünün toplamı | |
varyasyon | SD() | x vektörünün standart sapması |
IQR () | X vektörünün dörtte biri | |
Aralık | dk () | Minimum vektör x |
max () | Maksimum vektör x | |
çeyreklik() | X vektörünün niceliği | |
Durum | ilk() | Group_by () ile birlikte kullanın Grubun ilk gözlemi |
son() | Group_by () ile kullanın. Grubun son gözlemi | |
nth () | Group_by () ile kullanın. grubun n. gözlemi | |
Miktar | n () | Group_by () ile kullanın. Satır sayısını sayın |
n_distinct () | Group_by () ile kullanın. Farklı gözlemlerin sayısını sayın |
Tablo 1'in her işlevi için örnekler göreceğiz.
Temel işlev
Önceki örnekte, özet istatistiği bir veri çerçevesinde saklamadınız.
Bir özetten bir tarih çerçevesi oluşturmak için iki adımda ilerleyebilirsiniz:
- Adım 1: Daha sonra kullanmak için veri çerçevesini saklayın
- Adım 2: Bir çizgi grafiği oluşturmak için veri kümesini kullanın
Adım 1) Yıllara göre oynanan ortalama oyun sayısını hesaplarsınız.
## Meanex1 <- data % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))head(ex1)
Kod Açıklama
- Vuruş veri setinin özet istatistiği, exl veri çerçevesinde depolanır.
Çıktı:
## # 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
Adım 2) Bir çizgi grafiği ile özet istatistiği gösterir ve eğilimi görürsünüz.
# 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"))
Çıktı:
Alt küme oluşturma
Summarize () işlevi alt kümeleme ile uyumludur.
## 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]))
Kod Açıklama
- median_at_bat_league_no_zero = median (AB [AB> 0]): AB değişkeni çok sayıda 0 içerir. At bat değişkeninin medyanını 0 ile ve 0 olmadan karşılaştırabilirsiniz.
Çıktı:
## # 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
Toplam
Değişkeni toplamak için başka bir kullanışlı işlev de sum () işlevidir.
Hangi liglerin daha fazla homerun yaptığını kontrol edebilirsiniz.
## Sumdata % > %group_by(lgID) % > %summarise(sum_homerun_league = sum(HR))
Çıktı:
## # 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
Standart sapma
Verilerdeki yayılma, R'deki standart sapma veya sd () ile hesaplanır.
# Spreaddata % > %group_by(teamID) % > %summarise(sd_at_bat_league = sd(HR))
Çıktı:
## # 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
Her takımın yaptığı homerun miktarında çok fazla eşitsizlik var.
Minimum ve maksimum
Min () ve max () fonksiyonuyla bir vektörün minimum ve maksimumuna erişebilirsiniz.
Aşağıdaki kod, bir oyuncu tarafından oynanan bir sezondaki en düşük ve en yüksek oyun sayısını döndürür.
# Min and maxdata % > %group_by(playerID) % > %summarise(min_G = min(G),max_G = max(G))
Çıktı:
## # 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
Miktar
Gözlemleri gruba göre saymak her zaman iyi bir fikirdir. R ile, oluşum sayısını n () ile toplayabilirsiniz.
Örneğin, aşağıdaki kod her oyuncunun oynadığı yıl sayısını hesaplar.
# count observationsdata % > %group_by(playerID) % > %summarise(number_year = n()) % > %arrange(desc(number_year))
Çıktı:
## # 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
İlk ve son
Bir grubun ilk, son veya n. Konumunu seçebilirsiniz.
Örneğin, her oyuncunun ilk ve son yılını bulabilirsiniz.
# first and lastdata % > %group_by(playerID) % > %summarise(first_appearance = first(yearID),last_appearance = last(yearID))
Çıktı:
## # 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'inci gözlem
Fonction nth (), first () ve last () 'i tamamlayıcıdır. Döndürülecek indeks ile bir grup içindeki n'inci gözleme erişebilirsiniz.
Örneğin, bir takımın oynadığı yalnızca ikinci yılı filtreleyebilirsiniz.
# nthdata % > %group_by(teamID) % > %summarise(second_game = nth(yearID, 2)) % > %arrange(second_game)
Çıktı:
## # 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
Farklı gözlem sayısı
N () işlevi, geçerli bir gruptaki gözlemlerin sayısını döndürür. N () işlevine kapalı bir işlev, benzersiz değerlerin sayısını sayan n_distinct () işlevidir.
Bir sonraki örnekte, bir takımın tüm periyotlarda seçtiği oyuncuların toplamını toplayacaksınız.
# distinct valuesdata % > %group_by(teamID) % > %summarise(number_player = n_distinct(playerID)) % > %arrange(desc(number_player))
Kod Açıklama
- group_by (teamID): Yıla ve takıma göre gruplandırın
- özet ( number_player = n_distinct (playerID)): Takıma göre farklı oyuncu sayısını sayın
- düzenlemek (azalan (sayı_oyuncu)): Verileri oyuncu sayısına göre sıralar
Çıktı:
## # 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
Çoklu gruplar
Birden çok grup arasında özet bir istatistik gerçekleştirilebilir.
# Multiple groupsdata % > %group_by(yearID, teamID) % > %summarise(mean_games = mean(G)) % > %arrange(desc(teamID, yearID))
Kod Açıklama
- group_by (yearID, teamID): Yıla ve takıma göre gruplandırın
- özetle (ortalama_oyunlar = ortalama (G)): Oyun oyuncusu sayısını özetleyin
- düzenlemek (azalan (takım kimliği, yıl kimliği)): Verileri takıma ve yıla göre sıralayın
Çıktı:
## # 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
Filtrele
Bir işlem yapmayı düşünmeden önce, veri kümesini filtreleyebilirsiniz. Veri seti 1871'de başlar ve analizin 1980 öncesindeki yıllara ihtiyacı yoktur.
# Filterdata % > %filter(yearID > 1980) % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))
Kod Açıklama
- filtre (yearID> 1980): Verileri yalnızca ilgili yılları gösterecek şekilde filtreleyin (yani 1980'den sonra)
- group_by (yearID): Yıla göre gruplandır
- özetle (ortalama_ oyun_yılı = ortalama (G)): Verileri özetleyin
Çıktı:
## # 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
Grubu çöz
Son olarak, hesaplama düzeyini değiştirmek istemeden önce gruplamayı kaldırmanız gerekir.
# 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))
Kod Açıklama
- filter (HR> 0): Sıfır homerun'u hariç tut
- group_by (playerID): oyuncuya göre gruplandır
- özet (ortalama_HR_oyunu = toplam (HR) / toplam (G)): Oyuncuya göre ortalama homerun'u hesapla
- ungroup (): gruplamayı kaldır
- özetle (total_average_homerun = ortalama (ortalama_HR_game)): Verileri özetleyin
Çıktı:
## # A tibble: 1 x 1## total_average_homerun#### 1 0.06882226
Özet
Gruba göre bir özet dönmek istediğinizde, şunları kullanabilirsiniz:
# group by X1, X2, X3group(df, X1, X2, X3)
verilerin grubunu çözmeniz gerekir:
ungroup(df)
Aşağıdaki tablo, özetle () ile öğrendiğiniz işlevi özetlemektedir.
yöntem |
işlevi |
kodu |
---|---|---|
anlamına gelmek |
anlamına gelmek |
summarise(df,mean_x1 = mean(x1)) |
medyan |
medyan |
summarise(df,median_x1 = median(x1)) |
toplam |
toplam |
summarise(df,sum_x1 = sum(x1)) |
standart sapma |
SD |
summarise(df,sd_x1 = sd(x1)) |
çeyrekler arası |
IQR |
summarise(df,interquartile_x1 = IQR(x1)) |
minimum |
min |
summarise(df,minimum_x1 = min(x1)) |
maksimum |
max |
summarise(df,maximum_x1 = max(x1)) |
çeyreklik |
çeyreklik |
summarise(df,quantile_x1 = quantile(x1)) |
ilk gözlem |
ilk |
summarise(df,first_x1 = first(x1)) |
son gözlem |
son |
summarise(df,last_x1 = last(x1)) |
n'inci gözlem |
n. |
summarise(df,nth_x1 = nth(x1, 2)) |
oluşum sayısı |
n |
summarise(df,n_x1 = n(x1)) |
farklı oluşum sayısı |
n_distinct |
summarise(df,n_distinct _x1 = n_distinct(x1)) |