Función de agregación de R: resumir & Ejemplo de Group_by ()

El resumen de una variable es importante para tener una idea de los datos. Sin embargo, resumir una variable por grupo brinda mejor información sobre la distribución de los datos.

En este tutorial, aprenderá a resumir un conjunto de datos por grupo con la biblioteca dplyr.

En este tutorial, aprenderá

• Resumir()
• Group_by vs no group_by
• Función en resume ()
• Función básica
• Subconjunto
• Suma
• Desviación Estándar
• Mínimo y máximo
• Contar
• Primero y último
• enésima observación
• Varios grupos
• Filtrar
• Desagrupar

Para este tutorial, usará el conjunto de datos de bateo. El conjunto de datos original contiene 102816 observaciones y 22 variables. Solo usará el 20 por ciento de este conjunto de datos y usará las siguientes variables:

• playerID: código de identificación del jugador. Factor
• yearID: Año. Factor
• teamID: Equipo. factor
• lgID: Liga. Factor: AA AL FL NL PL UA
• AB: Al murciélago. Numérico
• G: Juegos: número de juegos por jugador. Numérico
• R: Corre. Numérico
• HR: Homeruns. Numérico
• SH: Golpes de sacrificio. Numérico

Antes de realizar el resumen, realizará 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 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)

Una buena práctica al importar un conjunto de datos es usar la función glimpse () para tener una idea sobre la estructura del conjunto de datos.

# Structure of the dataglimpse(data)

Producción:

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,… 

Resumir()

La sintaxis de resume () 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

Mira el código a continuación:

summarise(data, mean_run =mean(R))

Explicación del código

• resume (data, mean_run = mean (R)): crea una variable denominada mean_run, que es el promedio de la columna ejecutada a partir de los datos del conjunto de datos.

Producción:

## mean_run## 1 19.20114

Puede agregar tantas variables como desee. Devuelve los juegos promedio jugados y los golpes promedio de sacrificio.

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

Explicación del código

• mean_SH = mean (SH, na.rm = TRUE): resume una segunda variable. Establece na.rm = TRUE porque la columna SH contiene observaciones faltantes.

Producción:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

La función summerise () sin group_by () no tiene ningún sentido. Crea estadísticas de resumen por grupo. La biblioteca dplyr aplica una función automáticamente 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 (), organizar (),…).

Es conveniente utilizar el operador de canalización cuando tiene más de un paso. Puede calcular el jonrón promedio por liga de béisbol.

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

Explicación del código

• datos: conjunto de datos utilizado para construir las estadísticas de resumen
• group_by (lgID): Calcule el resumen agrupando la variable `lgID
• resume (mean_run = mean (HR)): Calcula el jonrón promedio

Producción:

### 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

El operador de tubería también funciona 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 jonrón promedio por liga con un char de barra. El siguiente código demuestra el poder de combinar group_by (), summary () y ggplot () juntos.

Harás el siguiente paso:

• Paso 1: seleccione el marco de datos
• Paso 2: datos de grupo
• Paso 3: resumir los datos
• Paso 4: trazar las estadísticas de resumen

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()"))

Producción:

Función en resume ()

El verbo resumir () es compatible con casi todas las funciones de R. Aquí hay una breve lista de funciones útiles que puede usar junto con resumir ():

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 promedio de juegos jugados por año.

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

Explicación del código

• La estadística resumida del conjunto de datos de bateo se almacena en el marco de datos ex1.

Producción:

## # 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

Paso 2) Muestra la estadística de resumen con un gráfico de línea y ve la tendencia.

# 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"))

Producción:

Subconjunto

La función resume () es compatible con subconjuntos.

## 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]))

Explicación del código

• median_at_bat_league_no_zero = median (AB [AB> 0]): La variable AB contiene lotes de 0. Puede comparar la mediana de la variable al bate con y sin 0.

Producción:

## # 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

Suma

Otra función útil para agregar la variable es sum ().

Puedes comprobar qué ligas tienen más jonrones.

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

Producción:

## # 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

Desviación Estándar

La dispersión de los datos se calcula con la desviación estándar o sd () en R.

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

Producción:

## # 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

Hay mucha desigualdad en la cantidad de jonrones hechos por cada equipo.

Mínimo y máximo

Puede acceder al mínimo y al máximo de un vector con la función min () y max ().

El siguiente código devuelve el número más bajo y más alto de juegos en una temporada jugada por un jugador.

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

Producción:

## # 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

Contar

Contar las observaciones por grupo siempre es una buena idea. Con R, puede agregar el número de ocurrencias con n ().

Por ejemplo, el siguiente código calcula el número de años jugados por cada jugador.

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

Producción:

## # 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

Primero y último

Puede seleccionar la primera, última o enésima posición de un grupo.

Por ejemplo, puede encontrar el primer y último año de cada jugador.

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

Producción:

## # 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

enésima observación

La función nth () es complementaria a first () y last (). Puede acceder a la enésima observación dentro de un grupo con el índice para regresar.

Por ejemplo, puede filtrar solo el segundo año que jugó un equipo.

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

Producción:

## # 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

Número distinto de observación

La función n () devuelve el número de observaciones en un grupo actual. Una función cerrada en n () es n_distinct (), que cuenta el número de valores únicos.

En el siguiente ejemplo, suma el total de jugadores que un equipo reclutó durante todos los períodos.

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

Explicación del código

• group_by (teamID): grupo por año y equipo
• resume (number_player = n_distinct (playerID)): cuente el número distinto de jugadores por equipo
• organizar (desc (number_player)): ordena los datos por el número de jugador

Producción:

## # 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

Varios grupos

Se puede realizar una estadística resumida entre varios grupos.

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

Explicación del código

• group_by (yearID, teamID): grupo por año y equipo
• resume (mean_games = mean (G)): resume el número de jugadores del juego
• organizar (desc (teamID, yearID)): ordena los datos por equipo y año

Producción:

## # 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 

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 el análisis no necesita los años anteriores a 1980.

# Filterdata % > %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
• resume (mean_game_year = mean (G)): resume los datos

Producción:

## # 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

Desagrupar

Por último, pero no menos importante, debe eliminar la agrupación antes de cambiar el nivel de cálculo.

# 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))

Explicación del código

• filtro (HR> 0): excluir cero homerun
• group_by (playerID): grupo por jugador
• resume (average_HR_game = sum (HR) / sum (G)): Calcule el jonrón promedio por jugador
• desagrupar (): eliminar la agrupación
• resume (total_average_homerun = mean (average_HR_game)): resume los datos

Producción:

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

Resumen

Cuando desee devolver un resumen por grupo, puede utilizar:

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

necesita desagrupar los datos con:

ungroup(df) 

La siguiente tabla resume la función que aprendió con resume ()

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))