Grupowanie i podsumowanie w R (aggregate, tapply, dplyr)

Zliczanie wierszy w grupach: table()

Najprostsze pytanie przy grupowaniu to "ile jest każdego?", a bazowy R odpowiada na nie jednym wywołaniem. table() zlicza, ile razy pojawia się każda wartość:

survey <- data.frame(
    person = c("Ana", "Ben", "Chen", "Dana", "Eli", "Fay"),
    plan   = c("free", "pro", "free", "team", "pro", "free"),
    region = c("EU", "US", "EU", "EU", "US", "APAC")
)

print(table(survey$plan))
print(table(survey$region, survey$plan))   # cross-tabulation

Jedna kolumna daje liczebności dla każdej wartości, dwie kolumny dają pełną tabelę krzyżową (regiony w wierszach, plany w kolumnach). Żeby dostać udziały, owiń wynik w prop.table(table(...)). table() to najszybsza droga do odpowiedzi o częstościach w całym R: nie sięgaj po nic cięższego, gdy potrzebujesz tylko liczebności.

Jedna statystyka na grupę: tapply()

tapply(values, groups, function) dzieli pierwszy wektor według drugiego i stosuje funkcję do każdego kawałka:

sales <- data.frame(
    region = c("EU", "US", "EU", "APAC", "US", "EU"),
    amount = c(120, 340, 95, 210, 180, 260)
)

print(tapply(sales$amount, sales$region, mean))
print(tapply(sales$amount, sales$region, max))

Wynikiem jest nazwany wektor: etykiety grup są nazwami, statystyki wartościami. Dzięki temu świetnie nadaje się do szybkiego odczytu (means["EU"]). Nazwa pochodzi od "table apply": zastosuj funkcję wzdłuż tabeli grupującej. Należy do tej samej rodziny co sapply() i lapply(), opisanej w artykule o rodzinie apply.

Ograniczeniem tapply() jest kształt: nazwany wektor trudno złączyć z inną tabelą, narysować na wykresie albo dalej przetwarzać. Gdy podsumowanie jest etapem pośrednim, a nie ostateczną odpowiedzią, chcesz dostać z powrotem ramkę danych. Dokładnie to zwraca kolejne narzędzie.

Koń pociągowy z formułą: aggregate()

aggregate() to pełne grupowanie w bazowym R: zwraca ramkę danych, a jego formułę czyta się jak zwykłe zdanie. value ~ group oznacza "value w podziale na group":

sales <- data.frame(
    region  = c("EU", "US", "EU", "APAC", "US", "EU"),
    quarter = c("Q1", "Q1", "Q2", "Q1", "Q2", "Q1"),
    amount  = c(120, 340, 95, 210, 180, 260)
)

print(aggregate(amount ~ region, data = sales, FUN = mean))
print(aggregate(amount ~ region + quarter, data = sales, FUN = sum))

Dodanie kolejnej zmiennej grupującej to po prostu + another_column w formule: drugie wywołanie sumuje dla każdej kombinacji regionu i kwartału. Możesz też agregować kilka kolumn wartości naraz przez cbind(a, b) ~ group. Wynik jest zwykłą ramką danych, więc od razu pasuje do złączenia, sortowania albo wykresu. To domyślne narzędzie bazowego R do podsumowań w grupach.

Jedno ciche zachowanie warto znać: formuła usuwa wiersze z NA w dowolnej użytej kolumnie, zanim zacznie agregować. Zwykle właśnie tego chcesz, ale czasem to wyjaśnienie liczebności, która wydaje się zbyt niska.

Sposób dplyr: group_by() + summarize()

Nowoczesnym standardem jest wzorzec dwóch czasowników z dplyr: group_by() deklaruje grupowanie, a summarize() zwija każdą grupę do jednego wiersza i liczy tyle statystyk, ile nazwiesz (przykład statyczny, bo piaskownica uruchamia tylko bazowy R):

library(dplyr)

sales |>
    group_by(region) |>
    summarize(
        n     = n(),
        total = sum(amount),
        avg   = mean(amount)
    )

Tu dplyr naprawdę wygrywa z bazowym R: wiele statystyk na grupę w jednym czytelnym wywołaniu (aggregate() wymaga do tego sztuczek), do tego n() w gratisie, a wynik płynie prosto do kolejnego potoku. (summarise() to ta sama funkcja w brytyjskiej pisowni.)

Jedna rzecz dziwi początkujących: przy kilku zmiennych grupujących summarize() zdejmuje tylko ostatnią, więc wynik nadal jest pogrupowany, a R wypisuje o tym komunikat. Powiedz wprost, czego chcesz, argumentem .groups: summarize(avg = mean(amount), .groups = "drop") zwraca zwykłą, niepogrupowaną ramkę i to jest dobry domyślny nawyk. Pogrupowana ramka, która przemknie do dalszego kodu, sprawia, że mutate() i podobne funkcje po cichu działają w obrębie grup. To klasyczne źródło mylących wyników.

Jak wybrać narzędzie

• Liczebność: table(), nic nie przebije jednego wywołania.
• Jedna statystyka, szybki podgląd: tapply() i odczyt odpowiedzi z nazwanego wektora.
• Ramka danych na wyjściu, tylko bazowy R: aggregate() z formułą.
• Kilka statystyk, część potoku albo coś ambitniejszego: group_by() |> summarize().

Żadna z tych opcji nie jest błędna, bo wszystkie liczą te same liczby. Dopasowanie narzędzia do kształtu wyniku, którego potrzebujesz, oszczędza jednak późniejszą konwersję. Same średnie, mediany i miary rozrzutu opisuje artykuł o statystyce opisowej.

Przykład: mtcars według liczby cylindrów

Wszystko razem na wbudowanym zbiorze danych: dla każdej liczby cylindrów liczba samochodów oraz ich średnie spalanie i moc:

counts <- table(mtcars$cyl)
print(counts)

result <- aggregate(cbind(mpg, hp) ~ cyl, data = mtcars, FUN = mean)
result$mpg <- round(result$mpg, 1)
result$hp  <- round(result$hp, 1)
print(result)

Jedenaście samochodów 4-cylindrowych ze średnią około 26.7 mpg, siedem 6-cylindrowych w okolicach 19.7, czternaście 8-cylindrowych około 15.1, a moc rośnie w przeciwnym kierunku. Dwa wywołania i cała tabela podsumowania: właśnie na takie pytania odpowiada agregacja w grupach.

Co warto zapamiętać

• table() do liczebności, prop.table() do udziałów.
• tapply(values, groups, fn) zwraca nazwany wektor: szybki podgląd, łatwy odczyt.
• aggregate(value ~ group, data, FUN) zwraca ramkę danych; + dodaje zmienne grupujące, cbind() dodaje kolumny wartości.
• group_by() |> summarize(n = n(), avg = mean(x), .groups = "drop") z dplyr to nowoczesny standard podsumowań z wieloma statystykami.
• Wybieraj według kształtu wyniku, bo liczby są wszędzie takie same.

Dalej: łączenie tabel, które mają wspólny klucz, czyli merge() i rodzina złączeń z dplyr.