summarize() 计算摘要统计量 搭配group_by()分组计算 ; 等效aggregate()

summarize() 即summarise(). 输出列包含group_by分组变量以及计算所得统计量

如： > flights %>% group_by(year,month,day) %>% summarize(delay=mean(dep_delay,na.rm=T)) # na.rm=T 计算前剥离缺失值na，否则统计值容易出现很多na

 

进一步的summarise函数扩展 

• summarise_all 默认对所有变量列计算fun()函数 ,但一般不是所有列都适合函数，如有的列是字符型不能平均值计算。如

　　head(iris)

　　

 

　　iris[,-3:-5] # 去掉3-5列，这里即只取1-2列

　　

 

　　head(iris[,-5]) #不取第5列 #R 的负号是不取的意思

　　

 

 　　summarise_all(iris,c("mean","min"),na.rm=TRUE) #某列是factor型，函数计算对此列没意义

 　　

 

 　　summarise_all(iris[,-3:-5],c("mean","min"),na.rm=TRUE) 

　　

 

　　

• summarise_at() 对指定的变量列，运行函数。最像select%>%summarise 如

　　iris %>% summarise_at(vars("Sepal.Length","Sepal.Width"),mean,na.rm=TRUE)  #用vars()括起选择的变量列

　　

 

 　　 iris %>%summarise_at(vars(matches("Length")),mean,na.rm=TRUE   #对匹配上Length的列用vars()括起来，运行函数

　　

　　通过条件设置选择列还包括：

　　iris %>%summarise_at(vars(ends_with("Length")),mean,na.rm=TRUE) # 列名以“Length”结尾的列

　　iris %>% summarise_at(vars(starts_with("Sepal")),mean,na.rm=TRUE) # 列名以“Sepal”开头的列

　　iris %>% summarise_at(vars(contains("Sepal")),mean,na.rm=TRUE) #列名含"Sepal"的列 . contains 和matches 功能一致

　　iris %>% summarise_at(vars(one_of("Sepal.Length","Sepal.Width","Sepal.Width2")),mean,na.rm=TRUE) # 列名在这范围内的列

　　

 

•  summarise_if 列变量类型符合条件的列。如 iris %>% summarise_if(is.numeric,mean,na.rm=TRUE)

　　

 

 

 

　　 

 

上述等效：aggregate(dep_delay~year+month+day,FUN=mean,data=flights) %>%head(20) 。只是summarize+group_by（）很好的最后一个分组基础单位先循环

默认的aggregate(x,by,FUN) 将数据框x的观测行按by=分组，然后用FUN函数计算每组的summary statistics。结果包含by变量和x .  #by接 分组的list。 等效的使用方式汇总如下：

## Default S3 method:
aggregate(x, ...)

## S3 method for class 'data.frame'
aggregate(x, by, FUN, ..., simplify = TRUE, drop = TRUE)

## S3 method for class 'formula' #应用中很常见
aggregate(formula, data, FUN, ...,
          subset, na.action = na.omit)

## S3 method for class 'ts'
aggregate(x, nfrequency = 1, FUN = sum, ndeltat = 1,
          ts.eps = getOption("ts.eps"), ...)

　#formula, a formula, such as y ~ x or cbind(y1, y2) ~ x1 + x2, where the y variables are numeric data to be split into groups according to the grouping x variables (usually factors). ～左侧是要计算聚合值的变量，右侧代表分组依据。

• n()常用于summarize()中,单独使用时计算行数。 flights %>% summarize(n=n())
• n()与group_by搭配使用，计算每个分组有多少个观测。  flights %>% group_by(month) %>% summarize(n=n())  # n=n()等价n=sum(month)
• 

•  

  注：我n()会把缺失值包含在计数中，如果只算非缺失值，可以用sum(!is.na(x)) . # 需要再雕琢

• 如只计算唯一值的数量，用n_distinct(). 如 >flights %>% group_by(dest) %>% summarize(carriers=n_distinct(carrier)) %>% arrange(desc(carriers))
• 

   

   

 

注2：所有聚合函数都有na.rm参数，好在计算前除去缺失值。 也可以计算前 通过no_na<-flights %>% filter(!is.na(dep_delay),!is.na(arr_delay)) 这样先筛选非na的观测行。

 

 

 n()外的计数函数还包括

　　tally(x, wt = NULL, sort = FALSE, name = "n")

　　count(x, ..., wt = NULL, sort = FALSE, name = "n",
　　　　.drop = group_by_drop_default(x))

　　add_tally(x, wt, sort = FALSE, name = "n")

　　add_count(x, ..., wt = NULL, sort = FALSE, name = "n")

summary()结合n()为作图准备:

•  not_cancelled<-flights %>% filter(!is.na(dep_delay),!is.na(arr_delay)) # 筛选值非na 行

• delays<-not_cancelled %>%  group_by(tailnum) %>%  summarize(delay=mean(arr_delay),n=n()) #生成summary statistics

• ggplot(delays)+geom_point(aes(x=n,y=delay),alpha=0.1) # 基于summary statistics作图。
• 

• 

   常用于summarize()函数中的基础计算常常还包括：

  • sum()计数。  not_cancelled %>% group_by(year,month,day) %>% summarize(n_early=sum(dep_time<500))
  • mean() 所占比例。not_cancelled %>% group_by(year,month,day) %>% summarize(n_early=mean(arr_delay>60))
  • median()中位数。not_cancelled %>% group_by(year,month,day) %>% summarize( arr_delay1=median(arr_delay))
  • sd()标准差。 not_cancelled %>% group_by(dest) %>% summarize(distance_sd=sd(distance)) %>%arrange(desc(distance_sd)) 
  • 

  • IQR() 四分位距

  • mad() 绝对中值差

  • min(x) 最小值

  • quantile(x,0.25) 找出x中从小到大排序大于前25%而小于后75%的📄

  • max(x) 最大值 .如：not_cancelled %>% group_by(year,month,day) %>% summarize(first=min(dep_time),last=max(dep_time))

  • 

  • first(x) nth(x,n) last(x) 取向量的第一个、第n个、最后一个值. 如not_cancelled %>% group_by(month,year,day) %>% summarize(tenth_dep=nth(dep_time,10))

 

aggregate() 数据统计的常用formular方式。

aggregate(formula, data, FUN, ..., subset, na.action = na.omit)

• formula, 指定formula对象，包括符号～ ，以及两侧的变量，左侧代表待计算聚合值的变量，右侧代表分组的依据变量。
• data 数据框
• FUN 指定函数，按～分组把FUN应用在～左侧变量
• ...FUN需要的其他参数
• subset 指定data的观测子集
• na.action 默认是忽略NA。如果不选择na.omit，则需指定函数去处理NA。

例子：

> aggregate(price~cut,diamonds,mean) #按cut分组，计算price在各组的平均值。

 

 > aggregate(price~cut+color,diamonds,mean) #多个分组依据，用加号+隔离。类似group_by(a.b)

 

> aggregate(cbind(price,carat)~cut,diamonds,mean)  #想按分组，计算多个变量。

 

> aggregate(cbind(price,carat)~cut+color,diamonds,mean) #按多个分组变量计算各自组内的多个变量