Dos de las tareas más comunes que realizará en el análisis de datos son agrupar y resumir datos. Afortunadamente, el paquete dplyr en R le permite agrupar y resumir datos rápidamente.
Este tutorial proporciona una guía rápida para comenzar con dplyr.
Instalar y cargar el paquete dplyr
Antes de poder utilizar las funciones del paquete dplyr, primero debe cargar el paquete:
#install dplyr (si aún no está instalado)
install.packages (' dplyr ')
#cargar
biblioteca dplyr (dplyr)
A continuación, ilustraremos varios ejemplos de cómo usar las funciones en dplyr para agrupar y resumir datos usando el conjunto de datos R integrado llamado mtcars :
#obtener filas y columnas de mtcars
tenue (mtcars)
[1] 32 11
#ver las primeras seis filas de mtcars
head (mtcars)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21,0 6160110 3,90 2,620 16,46 0 1 4 4
Mazda RX4 Wag 21.0 6160110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22,8 4108 93 3,85 2,320 18,61 1 1 4 1
Hornet 4 Impulso 21,4 6258110 3,08 3,215 19,44 1 0 3 1
Hornet Sportabout 18,7 8360175 3,15 3,440 17,02 0 0 3 2
Valiente 18,1 6225105 2,76 3,460 20,22 1 0 3 1
La sintaxis básica que usaremos para agrupar y resumir datos es la siguiente:
data%>% group_by (col_name)%>% resume (summary_name = summary_function)
Nota: Las funciones resumir () y resumir () son equivalentes.
Ejemplo 1: encontrar la media y la mediana por grupo
El siguiente código muestra cómo calcular medidas de tendencia central por grupo, incluida la media y la mediana:
# encontrar mpg medio por cilindro
mtcars%>%
group_by (cyl)%>%
resume (mean_mpg = mean (mpg, na.rm = TRUE ))
# A tibble: 3 x 2
cyl mean_mpg
1 4 26,7
2 6 19,7
3 8 15,1
# encontrar la mediana de mpg por cilindro
mtcars%>%
group_by (cyl)%>%
resumir (median_mpg = median (mpg, na.rm = TRUE ))
# A tibble: 3 x 2
cyl median_mpg
1 4 26
2 6 19,7
3 8 15,2
Ejemplo 2: encontrar medidas de propagación por grupo
El siguiente código muestra cómo calcular las medidas de dispersión por grupo, incluida la desviación estándar, el rango intercuartílico y la desviación absoluta mediana:
#find sd, IQR y mad por cilindro
mtcars%>%
group_by (cyl)%>%
resume (sd_mpg = sd (mpg, na.rm = TRUE ),
iqr_mpg = IQR (mpg, na.rm = VERDADERO ),
mad_mpg = mad (mpg, na.rm = VERDADERO ))
# A tibble: 3 x 4
cyl sd_mpg iqr_mpg mad_mpg
1 4 4,51 7,60 6,52
2 6 1,45 2,35 1,93
3 8 2,56 1,85 1,56
Ejemplo 3: Buscar recuento por grupo
El siguiente código muestra cómo encontrar el recuento y el recuento único por grupo en R:
# encontrar el recuento de filas y el recuento de filas único por cilindro
mtcars%>%
group_by (cyl)%>%
resume (count_mpg = n (),
u_count_mpg = n_distinct (mpg))
# A tibble: 3 x 3
cyl count_mpg u_count_mpg
1 4 11 9
2 6 7 6
3 8 14 12
Ejemplo 4: Encontrar percentil por grupo
El siguiente código muestra cómo encontrar el percentil 90 de los valores de mpg por grupo de cilindros:
# Encuentre el percentil 90 de mpg para cada grupo de cilindros
mtcars%>%
group_by (cyl)%>%
resume (quant90 = quantile (mpg, probs = .9))
# A tibble: 3 x 2
cyl quant90
1 4 32,4
2 6 21,2
3 8 18,3
Recursos adicionales
Puede encontrar la documentación completa para el paquete dplyr junto con útiles hojas de trucos de visualización aquí .
Otras funciones útiles que se pueden utilizar junto con group_by () y Resumir () incluyen funciones para el filtrado de filas de tramas de datos y la organización de filas en ciertos órdenes .
- https://r-project.org
- https://www.python.org/
- https://www.stata.com/
