R'de Gruplama ve Özetleme (aggregate, tapply, dplyr)

Grup Başına Satır Sayma: table()

En basit gruplama sorusu "her birinden kaç tane?" sorusudur - ve temel R bunu tek bir çağrıda yanıtlar. table(), her değerin ne sıklıkta göründüğünü sayar:

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

Tek sütun değer başına sayımları verir; iki sütun eksiksiz bir çapraz tablo verir (bölgeler satır, planlar sütun olarak). "Hangi oranda?" sorusu için onu prop.table(table(...)) içine sarın. table(), R'nin tamamında bir frekans yanıtına giden en hızlı yoldur - tek ihtiyacınız bir sayımsa daha ağır bir şeye uzanmayın.

Grup Başına Tek İstatistik: tapply()

tapply(values, groups, function), ilk vektörü ikinciye göre böler ve fonksiyonu her parçaya uygular:

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))

Sonuç isimli bir vektördür - isim olarak grup etiketleri, değer olarak istatistikler - bu da onu hızlı aramalar için mükemmel kılar (means["EU"]). İsim "table apply" olarak çözülür: bir fonksiyonu bir gruplama tablosu boyunca uygula. sapply() ve lapply() ile aynı aileye aittir; bunlar apply ailesi belgesinde ele alınıyor.

tapply() fonksiyonunun sınırı biçimdir: isimli bir vektörü birleştirmek, çizmek ya da işlemeye devam etmek zahmetlidir. Özet nihai yanıt yerine bir basamak olduğunda geri bir veri çerçevesi istersiniz - bir sonraki aracın döndürdüğü tam da budur.

Formül Beygiri: aggregate()

aggregate(), temel R'nin eksiksiz gruplamasıdır: bir veri çerçevesi döndürür ve formül arayüzü söyleyeceğiniz cümle gibi okunur. value ~ group, "değer, gruba göre ayrıştırılmış" demektir:

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))

Gruplayıcı eklemek, formüle + another_column yazmaktan ibarettir - ikinci çağrı bölge ve çeyrek kombinasyonu başına toplar. cbind(a, b) ~ group ile aynı anda birkaç değer sütununu da toplulaştırabilirsiniz. Çıktı sıradan bir veri çerçevesi olduğu için doğrudan bir birleştirmeye, sıralamaya ya da grafiğe geçer - gruplu özetlerde varsayılan olarak kullanılacak temel araç budur.

Bilinmesi gereken sessiz bir davranış: formül arayüzü, toplulaştırmadan önce kullanılan sütunlarda NA içeren satırları düşürür. Genellikle istediğiniz şeydir; ara sıra da düşük görünen bir sayımın açıklamasıdır.

dplyr Yolu: group_by() + summarize()

Modern standart, dplyr'ın iki fiilli kalıbıdır - group_by() gruplamayı bildirir, summarize() her grubu tek bir satıra çöktürür ve isimlendirdiğiniz kadar istatistik hesaplar (statik; kum havuzu yalnızca temel R çalıştırır):

library(dplyr)

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

dplyr'ın temel R'yi gerçekten geride bıraktığı yer burasıdır: tek bir okunabilir çağrıda grup başına birden çok istatistik - aggregate() bunun için akrobasi ister - artı bedavaya gelen n() ve doğrudan bir sonraki pipe'a akan bir sonuç. (summarise(), İngiliz yazımıyla aynı fonksiyondur.)

Yeni gelenleri şaşırtan bir şey: birkaç gruplayıcıyla summarize() yalnızca sonuncusunu soyar ve sonucu hâlâ gruplu bırakır - ve bunu bildiren bir mesaj yazdırır. Ne istediğinizi .groups argümanıyla açıkça söyleyin: summarize(avg = mean(amount), .groups = "drop") sade, gruplanmamış bir çerçeve döndürür ve doğru varsayılan alışkanlık budur. Sonraki koda sızan gruplu bir çerçeve, mutate() ve arkadaşlarının sessizce grup başına çalışmasına yol açar - kafa karıştırıcı sonuçların klasik bir kaynağı.

Aralarında Seçim Yapmak

• Bir sayım - table(), tek çağrıyı hiçbir şey yenemez.
• Tek istatistik, hızlı bakış - tapply() ve yanıtı isimli vektörden okuyun.
• Veri çerçevesi çıktısı, yalnızca temel R ortamı - formüllü aggregate().
• Birkaç istatistik, bir işlem hattının parçası ya da iddialı herhangi bir şey - group_by() |> summarize().

Aralarında yanlış bir yanıt yok - hepsi aynı sayıları hesaplar - ama aracı ihtiyacınız olan çıktı biçimine uydurmak sonrasındaki dönüştürme adımından sizi kurtarır. Ortalamalar, medyanlar ve yayılımların kendisi betimleyici istatistik sayfasında ele alınıyor.

İşlenmiş Örnek: Silindir Sayısına Göre mtcars

Yerleşik bir veri kümesinde her şey bir arada - silindir sayısı başına kaç araba ve ortalama yakıt ekonomisi ile beygir gücü:

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)

Ortalama yaklaşık 26.7 mpg yapan on bir adet 4 silindirli araba, 19.7 civarında yedi adet 6 silindirli, 15.1 civarında on dört adet 8 silindirli - ve beygir gücü ters yönde yürüyor. İki çağrı, bütün bir özet tablosu: gruplu toplulaştırmanın var olma nedeni tam da bu tür bir soruyu yanıtlamaktır.

Buradan Ne Çıkarıyorsunuz

• Sayımlar için table(), paylar için prop.table().
• tapply(values, groups, fn) isimli bir vektör döndürür - hızlı bakışlar, kolay aramalar.
• aggregate(value ~ group, data, FUN) bir veri çerçevesi döndürür; + gruplayıcı, cbind() değer sütunu ekler.
• dplyr'ın group_by() |> summarize(n = n(), avg = mean(x), .groups = "drop") ifadesi çok istatistikli özetler için modern standarttır.
• Çıktı biçimine göre seçin; hepsi sayılarda hemfikirdir.

Sırada: bir anahtarı paylaşan tabloları birleştirmek - merge() ve dplyr join ailesi.