R summarize()分组摘要

summarize()分组摘要分组平均值最大最小值计数

library(nycflights13)
library(tidyverse)
1
2

summarize()可以将数据折叠成一行
如果不与group_by()一起使用，那么summarize()也没什么用

summarize(flights, delay = mean(dep_delay, na.rm = TRUE))
1

group_by()可以将分析数据集改为单个分组

by_day <- group_by(flights,year,month,day)
summarize(by_day,delay=mean(dep_delay,na.rm=TRUE))
1
2

通过summarize可以起到mutate的作用

by_dest <- group_by(flights,dest)
delay <- summarize(by_dest,
                   count = n(),
                   dist = mean(distance, na.rm = TRUE),
                   delay = mean(arr_delay, na.rm = TRUE))
ggplot(data=delay,mapping=aes(x=dist,y=delay))+
  geom_point(aes(size=count),alpha=1/3)+
  geom_smooth(se=FALSE)
1
2
3
4
5
6
7
8

常用的摘要统计量

分组求和、求平均值、计数等等。

思路是group_by统计量，summarize(count = n())

#先选出没有取消的航班
not_cancelled <- flights %>% 
  filter(!is.na(dep_delay),!is.na(arr_delay))
#平均延误时间
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(mean=mean(dep_delay))
1
2
3
4
5
6
7

#位置度量
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(
    #平均延误时间
    avg_delay1=mean(arr_delay),
    #平均延误纠正时间 （只选择大于0
    avg_delay2=mean(arr_delay[arr_delay>0])
  )
1
2
3
4
5
6
7
8
9

#分散程度度量
not_cancelled %>% 
  group_by(dest) %>% 
  summarize(distace_sd=sd(distance)) %>% 
  arrange(desc(distace_sd))
1
2
3
4
5

#秩的度量min(x),quantile(x,0.25),max(x)
#每天最早和最晚出发的航班
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(
    first=min(dep_time),
    last=max(dep_time)
  )
1
2
3
4
5
6
7
8

#计数（唯一值数量 n_distinct())
#哪个目的地有最多的航空公司
not_cancelled %>% 
  group_by(dest) %>% 
  summarize(carriers=n_distinct(carrier)) %>% 
  arrange(desc(carriers))
1
2
3
4
5
6

#只需要计数的情况
# 无需摘要统计
not_cancelled %>% 
  count(dest)
1
2
3
4

#逻辑值计数和比例
#多少航班是在5点前出发的
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(n_early=sum(dep_time<500))
#或者写为
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(early= dep_time[dep_time<500]) %>% 
  summarize(n=n())
1
2
3
4
5
6
7
8
9
10

注意区分上面的

#位置度量
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(
    #平均延误时间
    avg_delay1=mean(arr_delay),
    #平均延误纠正时间 （只选择大于0
    avg_delay2=mean(arr_delay[arr_delay>0])
  )

#航班延误1小时的比例
#因为arr_delay>60是返回的一堆逻辑值110001求mean是比例
not_cancelled %>% 
  group_by(year,month,day) %>% 
  summarize(hour_prec=mean(arr_delay>60))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

• sum(dep_time<500)： 这个是求dep_time小于500的个数，因为dep_time<500会先生成0，1的布尔列，求和就是1的数量

• dep_time[dep_time<500] %>% summarize(n=n())：和上面一样，相当于先摘要出dep_time<500的，再计数

• mean(arr_dalay): 对所有的arr_dalay求平均

• mean(arr_delay[arr_delay>0])：只求arr_delay大于0的平均值

• mean(add_delay>60)，求的是arr_delay大于60的比例

• dep_time[dep_time<500] %>% summarize(n=n())：和上面一样，相当于先摘要出dep_time<500的，再计数

• mean(arr_dalay): 对所有的arr_dalay求平均

• mean(arr_delay[arr_delay>0])：只求arr_delay大于0的平均值

• mean(add_delay>60)，求的是arr_delay大于60的比例

• mean(add_delay[arr_delay>60]): 只求arr_delay大于60的平均值