Agrupar e Resumir Dados no R (aggregate, tapply, dplyr)

Contando Linhas por Grupo: table()

A pergunta de agrupamento mais simples é "quantos de cada?" - e o R base responde em uma única chamada. table() conta quantas vezes cada valor aparece:

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

Uma coluna dá as contagens por valor; duas colunas dão uma tabulação cruzada completa (regiões nas linhas, planos nas colunas). Para "qual proporção?", envolva em prop.table(table(...)). table() é o caminho mais rápido para uma resposta de frequência em todo o R - não recorra a nada mais pesado quando tudo que você precisa é de uma contagem.

Uma Estatística por Grupo: tapply()

tapply(values, groups, function) divide o primeiro vetor pelo segundo e aplica a função a cada pedaço:

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))

O resultado é um vetor nomeado - rótulos dos grupos como nomes, estatísticas como valores - o que o torna perfeito para consultas rápidas (means["EU"]). O nome vem de "table apply": aplicar uma função ao longo de uma tabela de agrupamento. Ele pertence à mesma família de sapply() e lapply(), tratadas no doc da família apply.

O limite do tapply() é o formato: um vetor nomeado é desajeitado para fazer merge, plotar ou continuar processando. Quando o resumo é um degrau intermediário e não a resposta final, você quer um data frame de volta - que é exatamente o que a próxima ferramenta retorna.

O Cavalo de Batalha das Fórmulas: aggregate()

aggregate() é o group-by completo do R base: ele retorna um data frame, e sua interface de fórmula se lê como a frase que você diria. value ~ group significa "value, desagregado por 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))

Adicionar agrupadores é só acrescentar + outra_coluna na fórmula - a segunda chamada soma por combinação de região e trimestre. Você também pode agregar várias colunas de valores de uma vez com cbind(a, b) ~ group. Como a saída é um data frame comum, ela se encaixa direto em um merge, uma ordenação ou um gráfico - esta é a ferramenta base padrão para resumos agrupados.

Um comportamento discreto que vale conhecer: a interface de fórmula descarta linhas com NA em qualquer coluna usada antes de agregar. Geralmente é o que você quer; ocasionalmente é a explicação para uma contagem que parece baixa.

O Jeito dplyr: group_by() + summarize()

O padrão moderno é o par de verbos do dplyr - group_by() declara o agrupamento, summarize() colapsa cada grupo em uma linha, calculando quantas estatísticas você nomear (estático; o sandbox roda apenas R base):

library(dplyr)

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

É aqui que o dplyr realmente supera o R base: várias estatísticas por grupo em uma chamada legível - aggregate() precisa de contorcionismos para isso - além de n() de graça, e o resultado flui direto para o próximo pipe. (summarise() é a mesma função, com grafia britânica.)

Uma coisa que confunde iniciantes: com vários agrupadores, summarize() remove apenas o último, deixando o resultado ainda agrupado - e imprime uma mensagem avisando. Diga explicitamente o que você quer com o argumento .groups: summarize(avg = mean(amount), .groups = "drop") retorna um data frame simples e desagrupado, que é o hábito padrão correto. Um data frame agrupado que escapa para o código posterior faz mutate() e companhia operarem silenciosamente por grupo - uma fonte clássica de resultados confusos.

Escolhendo Entre Elas

• Uma contagem - table(), nada supera uma chamada só.
• Uma estatística, olhada rápida - tapply(), e leia a resposta direto do vetor nomeado.
• Data frame na saída, ambiente só com R base - aggregate() com uma fórmula.
• Várias estatísticas, parte de um pipeline, ou qualquer coisa ambiciosa - group_by() |> summarize().

Não há resposta errada entre elas - todas calculam os mesmos números - mas combinar a ferramenta com o formato de saída de que você precisa poupa a etapa de conversão depois. Médias, medianas e medidas de dispersão em si são tratadas em estatística descritiva.

Exemplo Prático: mtcars por Número de Cilindros

Tudo junto em um dataset embutido - por número de cilindros, quantos carros existem e qual a média de consumo e potência:

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)

Onze carros de 4 cilindros com média de cerca de 26,7 mpg, sete de 6 cilindros em torno de 19,7, quatorze de 8 cilindros em torno de 15,1 - e a potência marchando na direção oposta. Duas chamadas, uma tabela-resumo completa: é para responder esse tipo de pergunta que a agregação por grupos existe.

O Que Você Leva

• table() para contagens, prop.table() para proporções.
• tapply(values, groups, fn) retorna um vetor nomeado - olhadas rápidas, consultas fáceis.
• aggregate(value ~ group, data, FUN) retorna um data frame; + adiciona agrupadores, cbind() adiciona colunas de valores.
• O group_by() |> summarize(n = n(), avg = mean(x), .groups = "drop") do dplyr é o padrão moderno para resumos com várias estatísticas.
• Escolha pelo formato de saída; todas concordam nos números.

A seguir: combinando tabelas que compartilham uma chave - merge() e a família de joins do dplyr.