आर एग्रीगेट फंक्शन: संक्षेप और amp; Group_by () उदाहरण

एक चर का सारांश डेटा के बारे में एक विचार होना महत्वपूर्ण है। हालांकि, समूह द्वारा एक चर का सारांश डेटा के वितरण पर बेहतर जानकारी देता है।

इस ट्यूटोरियल में, आप सीखेंगे कि कैसे dplyr लाइब्रेरी के साथ समूह द्वारा किसी डेटासेट को सारांशित किया जाए।

इस ट्यूटोरियल में, आप सीखेंगे

• संक्षेप()
• Group_by vs no group_by
• संक्षेप में कार्य ()
• बुनियादी उपयोग
• सबसेटिंग
• योग
• मानक विचलन
• न्यूनतम और अधिकतम
• गिनती
• प्रथम और अंतिम
• nth अवलोकन
• कई समूह
• फ़िल्टर
• असमूहीकृत

इस ट्यूटोरियल के लिए, आप बैटिंग डेटासेट का उपयोग करेंगे। मूल डेटासेट में 102816 अवलोकन और 22 चर हैं। आप इस डेटासेट का केवल 20 प्रतिशत उपयोग करेंगे और निम्नलिखित चर का उपयोग करेंगे:

• प्लेयरआईडी: प्लेयर आईडी कोड। फ़ैक्टर
• वर्ष: वर्ष। फ़ैक्टर
• टीमआईडी: टीम। फ़ैक्टर
• lgID: लीग। कारक: AA AL FL NL PL UA
• AB: चमगादड़ पर। संख्यात्मक
• जी: खेल: एक खिलाड़ी द्वारा खेल की संख्या। संख्यात्मक
• R: चलाता है। संख्यात्मक
• मानव संसाधन: Homeruns। संख्यात्मक
• SH: बलिदान हिट। संख्यात्मक

सारांश प्रस्तुत करने से पहले, आप डेटा तैयार करने के लिए निम्नलिखित कदम करेंगे:

• चरण 1: डेटा आयात करें
• चरण 2: प्रासंगिक चर का चयन करें
• चरण 3: डेटा को क्रमबद्ध करें

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)

जब आप कोई डेटासेट आयात करते हैं तो एक अच्छी प्रैक्टिस है कि वे डेटासेट की संरचना के बारे में विचार रखने के लिए झलक () फ़ंक्शन का उपयोग करें।

# Structure of the dataglimpse(data)

आउटपुट:

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,… 

संक्षेप()

सारांश की वाक्य रचना () मूल और dplyr पुस्तकालय में शामिल अन्य क्रियाओं के अनुरूप है।

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

नीचे दिए गए कोड को देखें:

summarise(data, mean_run =mean(R))

कोड स्पष्टीकरण

• संक्षेप (डेटा, mean_run = mean (R)): mean_run नाम का एक वैरिएबल बनाता है जो डेटासेट डेटा से चलने वाले कॉलम का औसत है।

आउटपुट:

## mean_run## 1 19.20114

आप जितने चाहें उतने चर जोड़ सकते हैं। आप खेले गए औसत खेल और औसत बलिदान हिट लौटाते हैं।

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

कोड स्पष्टीकरण

• mean_SH = माध्य (SH, na.rm = TRUE): एक दूसरे चर का सारांश करें। आप na.rm = TRUE सेट करते हैं क्योंकि स्तंभ SH में अनुपलब्ध अवलोकन होते हैं।

आउटपुट:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Group_by () के बिना फ़ंक्शन समराइज़ () का कोई मतलब नहीं है। यह समूह द्वारा सारांश सांख्यिकीय बनाता है। लाइब्रेरी dplyr क्रिया को उस समूह पर स्वचालित रूप से लागू करता है जिसे आपने क्रिया group_by के अंदर पारित किया था।

ध्यान दें कि, group_by अन्य सभी क्रियाओं (यानी म्यूटेट (), फ़िल्टर (), अरेंज (),…) के साथ पूरी तरह से काम करता है।

जब आपके पास एक से अधिक चरण हों तो पाइपलाइन ऑपरेटर का उपयोग करना सुविधाजनक होता है। आप बेसबॉल लीग द्वारा औसत होमरुन की गणना कर सकते हैं।

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

कोड स्पष्टीकरण

• डेटा: डेटासेट का उपयोग सारांश आँकड़ों के निर्माण में किया जाता है
• group_by (lgID): चर `lgID को समूहीकृत करके सारांश की गणना करें
• संक्षेप (mean_run = mean (HR)): औसत होमरुन की गणना करें

आउटपुट:

### 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

पाइप ऑपरेटर ggplot () के साथ भी काम करता है। आप आसानी से एक ग्राफ के साथ सारांश आँकड़ा दिखा सकते हैं। सभी चरण पाइपलाइन के अंदर धकेल दिए जाते हैं जब तक कि अंगूर की साजिश न हो। बार चार के साथ लीग द्वारा औसत होमरून को देखने के लिए यह अधिक दृश्य है। नीचे दिया गया कोड group_by (), सारांश () और ggplot () को एक साथ मिलाने की शक्ति प्रदर्शित करता है।

आप निम्न चरण करेंगे:

• चरण 1: डेटा फ्रेम का चयन करें
• चरण 2: समूह डेटा
• चरण 3: डेटा को सारांशित करें
• चरण 4: सारांश आँकड़ों को प्लॉट करें

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()"))

आउटपुट:

संक्षेप में कार्य ()

क्रिया संक्षेप () आर में लगभग सभी कार्यों के साथ संगत है। यहाँ उन उपयोगी कार्यों की संक्षिप्त सूची दी गई है जिनका आप संक्षेप में उपयोग कर सकते हैं ():

हम तालिका 1 के प्रत्येक कार्यों के लिए उदाहरण देखेंगे।

बुनियादी उपयोग

पिछले उदाहरण में, आपने सारांश को डेटा फ़्रेम में संग्रहीत नहीं किया था।

सारांश से दिनांक फ़्रेम उत्पन्न करने के लिए आप दो चरणों में आगे बढ़ सकते हैं:

• चरण 1: डेटा फ्रेम को आगे उपयोग के लिए स्टोर करें
• चरण 2: लाइन प्लॉट बनाने के लिए डेटासेट का उपयोग करें

चरण 1) आप वर्ष तक खेले जाने वाले खेलों की औसत संख्या की गणना करते हैं।

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

कोड स्पष्टीकरण

• बल्लेबाजी डेटासेट का सारांश आँकड़ा डेटा ex1 में संग्रहीत किया जाता है।

आउटपुट:

## # 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

चरण 2) आप एक लाइन प्लॉट के साथ सारांश आँकड़ा दिखाते हैं और प्रवृत्ति देखते हैं।

# 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"))

आउटपुट:

सबसेटिंग

फ़ंक्शन संक्षेप () सब्मिटिंग के साथ संगत है।

## 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]))

कोड स्पष्टीकरण

• median_at_bat_league_no_zero = median (AB [AB> 0]): वैरिएबल AB में बहुत सारे हैं। आप बैट वेरिएबल के माध्यिका की तुलना 0 के साथ और उसके बिना कर सकते हैं।

आउटपुट:

## # 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

योग

चर को एकत्र करने के लिए एक और उपयोगी कार्य योग () है।

आप जाँच कर सकते हैं कि किस लीग में अधिक होमरुन हैं।

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

आउटपुट:

## # 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

मानक विचलन

आर में मानक विचलन या एसडी () के साथ डेटा में फैला हुआ है।

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

आउटपुट:

## # 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

प्रत्येक टीम द्वारा किए गए होमरुन की मात्रा में बहुत अधिक असमानता है।

न्यूनतम और अधिकतम

आप फ़ंक्शन मिनी () और अधिकतम () के साथ एक वेक्टर के न्यूनतम और अधिकतम तक पहुंच सकते हैं।

नीचे दिया गया कोड किसी खिलाड़ी द्वारा खेले गए सीज़न में सबसे कम और सबसे ज्यादा गेम देता है।

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

आउटपुट:

## # 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

गिनती

समूह द्वारा गणना का अवलोकन हमेशा एक अच्छा विचार है। आर के साथ, आप एन () के साथ होने वाली संख्या को एकत्र कर सकते हैं।

उदाहरण के लिए, नीचे दिया गया कोड प्रत्येक खिलाड़ी द्वारा खेले गए वर्षों की संख्या की गणना करता है।

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

आउटपुट:

## # 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

प्रथम और अंतिम

आप किसी समूह की पहली, अंतिम या अंतिम स्थिति का चयन कर सकते हैं।

उदाहरण के लिए, आप प्रत्येक खिलाड़ी का पहला और अंतिम वर्ष पा सकते हैं।

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

आउटपुट:

## # 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

nth अवलोकन

Fonction nth () पहले () और आखिरी () का पूरक है। आप वापस लौटने के लिए अनुक्रमणिका के साथ एक समूह के भीतर nth अवलोकन का उपयोग कर सकते हैं।

उदाहरण के लिए, आप केवल दूसरे वर्ष को फ़िल्टर कर सकते हैं जो एक टीम ने खेला था।

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

आउटपुट:

## # 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

अवलोकन की विशिष्ट संख्या

फ़ंक्शन n () एक वर्तमान समूह में टिप्पणियों की संख्या देता है। N () के लिए एक बंद फ़ंक्शन n_distinct () है, जो अद्वितीय मानों की संख्या की गणना करता है।

अगले उदाहरण में, आप उन सभी खिलाड़ियों को जोड़ते हैं, जिन्हें टीम ने सभी अवधियों के दौरान भर्ती किया था।

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

कोड स्पष्टीकरण

• group_by (teamID): वर्ष और टीम द्वारा समूह
• संक्षेप (संख्या_प्लेयर = n_distinct (खिलाड़ी)): टीम द्वारा खिलाड़ियों की अलग-अलग संख्या की गणना करें
• व्यवस्था (desc (number_player)): खिलाड़ी की संख्या के आधार पर डेटा को क्रमबद्ध करें

आउटपुट:

## # 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

कई समूह

एक सारांश सांख्यिकीय को कई समूहों के बीच महसूस किया जा सकता है।

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

कोड स्पष्टीकरण

• group_by (yearID, teamID): वर्ष और टीम द्वारा समूह
• संक्षेप (mean_games = mean (G)): गेम प्लेयर की संख्या को संक्षेप करें
• व्यवस्था (desc (teamID, yearID)): टीम और वर्ष के अनुसार डेटा को क्रमबद्ध करें

आउटपुट:

## # 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 

फ़िल्टर

इससे पहले कि आप एक ऑपरेशन करने का इरादा करें, आप डेटासेट को फ़िल्टर कर सकते हैं। डेटासेट 1871 में शुरू होता है, और विश्लेषण को 1980 से पहले के वर्षों की आवश्यकता नहीं है।

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

कोड स्पष्टीकरण

• फ़िल्टर (yearID> 1980): केवल प्रासंगिक वर्ष (1980 के बाद) दिखाने के लिए डेटा फ़िल्टर करें
• group_by (वर्ष): समूह वर्ष द्वारा
• संक्षेप (mean_game_year = mean (G)): डेटा सारांशित करें

आउटपुट:

## # 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

असमूहीकृत

अंतिम लेकिन कम से कम, आपको गणना के स्तर को बदलने से पहले समूह को हटाने की आवश्यकता है।

# 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))

कोड स्पष्टीकरण

• फ़िल्टर (HR> 0): शून्य होमरून को छोड़ दें
• group_by (खिलाड़ी): खिलाड़ी द्वारा समूह
• संक्षेप (औसत_HR_game = राशि (एचआर) / योग (जी)): खिलाड़ी द्वारा औसत होमरून की गणना करें
• ungroup (): ग्रुपिंग को हटा दें
• संक्षेप में प्रस्तुत करें (Total_aiture_homerun = mean (average_HR_game)): डेटा को सारांशित करें

आउटपुट:

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

सारांश

जब आप समूह द्वारा सारांश वापस करना चाहते हैं, तो आप उपयोग कर सकते हैं:

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

आपको इसके साथ डेटा को अनग्रुप करने की आवश्यकता है:

ungroup(df) 

नीचे दी गई तालिका संक्षेप में आपके द्वारा सीखे गए फ़ंक्शन को सारांशित करती है ()

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))