在 R Dplyr 中使用 group_by 函式
-
在 R 中設定
dplyr包 -
在 R 中使用
group_by()函式 -
在 R 中使用
group_by()和summarize() -
在 R 中使用
group_by()和filter() -
在 R 中使用
group_by()和mutate() - 在 R 中取消組合 tibble
- 參考
dplyr 包的 group_by() 函式幫助我們根據不同列中的值對行進行分組。然後，我們可以使用這些組來建立摘要、選擇特定組進行進一步分析，或者根據組屬性建立新列。
在 R 中設定 dplyr 包
我們需要安裝和載入 dplyr 包並建立一個 tibble 來說明 group_by() 函式的工作。
示例程式碼：
# Install dplyr. Or install the tidyverse.
# UNCOMMENT THE FOLLOWING LINE TO INSTALL.
# install.packages("dplyr")
# Load dplyr
library(dplyr)
# Create vectors.
set.seed(11)
Col_code = sample(2200:7200, 10, replace=FALSE)
set.seed(222)
Col_one = sample(c("RD", "GN", "YW"), 10, replace = TRUE)
set.seed(4444)
Col_two = sample(c(3, 6), 10, replace = TRUE)
# Create a tibble.
my_t = tibble(Col_code, Col_one, Col_two)
# View the tibble.
my_t
在 R 中使用 group_by() 函式
當我們在 tibble 上使用 group_by() 時，似乎什麼都沒有發生。group_by() 函式僅標記用於分組的列。
示例程式碼：
# Use group_by().
group_by(my_t, Col_two)
輸出：
# A tibble: 10 x 3
# Groups: Col_two [2]
Col_code Col_one Col_two
<int> <chr> <dbl>
1 3985 RD 6
2 2233 GN 6
3 2895 YW 6
4 3120 GN 6
5 6439 YW 3
6 4819 GN 6
7 2573 GN 6
8 5484 RD 6
9 6509 GN 3
10 4309 RD 3
該程式碼返回一個與原始行數相同的 tibble。但請注意輸出第二行中的註釋。
指定的列已標記為分組。
在 R 中使用 group_by() 和 summarize()
在許多情況下，group_by() 與 summarize() 結合使用。該函式也可以拼寫為 summarise()。
由於我們已經對資料進行了分組，我們可以使用每個組的 summarize() 函式。在示例中，我們將使用 summarize() 中的 n() 函式來計算每個組中的行數。
我們還將使用管道運算子 %>% 來提高程式碼的可讀性。
示例程式碼：
# Group by one column.
my_t %>% group_by(Col_two) %>% summarize(n())
輸出：
# A tibble: 2 x 2
Col_two `n()`
<dbl> <int>
1 3 3
2 6 7
對於輸出中的 Col_two 的每個值，我們都有一行。
我們可以一次按多列分組，如下所示。
示例程式碼：
# Group by more than one column.
my_t %>% group_by(Col_one, Col_two) %>% summarize(Num_Rows = n())
輸出：
# A tibble: 6 x 3
# Groups: Col_one [3]
Col_one Col_two Num_Rows
<chr> <dbl> <int>
1 GN 3 1
2 GN 6 4
3 RD 3 1
4 RD 6 2
5 YW 3 1
6 YW 6 1
在輸出中，Col_one 和 Col_two 的每個組合都有一行，它們存在於原始 tibble 中。最後一列是用 n() 建立的，顯示每個組合有多少行。
summarize() 函式可以計算多個組統計資料，例如 mean。
示例程式碼：
# Calculate the mean.
# The output has 3 significant digits by default.
my_t %>% group_by(Col_one, Col_two) %>% summarize(mean(Col_code))
# Convert the output to a data frame to see the decimal places.
my_t %>% group_by(Col_one, Col_two) %>% summarize(mean(Col_code)) %>% as.data.frame()
輸出：
> my_t %>% group_by(Col_one, Col_two) %>% summarize(mean(Col_code))
`summarise()` has grouped output by 'Col_one'. You can override using the `.groups` argument.
# A tibble: 6 x 3
# Groups: Col_one [3]
Col_one Col_two `mean(Col_code)`
<chr> <dbl> <dbl>
1 GN 3 6509
2 GN 6 3186.
3 RD 3 4309
4 RD 6 4734.
5 YW 3 6439
6 YW 6 2895
> # Convert the output to a data frame to see the decimal places.
> my_t %>% group_by(Col_one, Col_two) %>% summarize(mean(Col_code)) %>% as.data.frame()
`summarise()` has grouped output by 'Col_one'. You can override using the `.groups` argument.
Col_one Col_two mean(Col_code)
1 GN 3 6509.00
2 GN 6 3186.25
3 RD 3 4309.00
4 RD 6 4734.50
5 YW 3 6439.00
6 YW 6 2895.00
第一行返回了一個 tibble。預設情況下，tibble 列印具有三位有效數字的數字。
我們可以將輸出轉換為資料幀，以獲得通常格式的輸出。
我們還可以使用 tibble 包（或 pillar 包）的 num() 函式來顯示十進位制數字。我們將使用一個負整數來指定要顯示的最大十進位制位數。
示例程式碼：
library(tibble)
my_t %>% group_by(Col_one, Col_two) %>% summarize(tMean = num(mean(Col_code),digits=-2))
輸出：
# A tibble: 6 x 3
# Groups: Col_one [3]
Col_one Col_two tMean
<chr> <dbl> <num:.2>
1 GN 3 6509
2 GN 6 3186.25
3 RD 3 4309
4 RD 6 4734.5
5 YW 3 6439
6 YW 6 2895
需要特別注意的一點是 summarize() 刪除了最後一個分組級別。為了看到這種效果，我們將中間結果儲存到新物件中，並使用 group_vars() 函式來檢查分組。
示例程式碼：
# Create a tibble with two levels of groupings.
tib_2_gr = my_t %>% group_by(Col_one, Col_two)
# Check that the tibble is grouped by two variables.
group_vars(tib_2_gr)
# Use the summarize() function once.
tib_1_gr = my_t %>% group_by(Col_one, Col_two) %>% summarize(Num_Rows = n())
# Check that the new tibble is grouped by only one variable after using summarize().
group_vars(tib_1_gr)
輸出：
> group_vars(tib_2_gr)
[1] "Col_one" "Col_two"
> group_vars(tib_1_gr)
[1] "Col_one"
在 R 中使用 group_by() 和 filter()
與具有單獨的 where 和 having 子句的 SQL 不同，dplyr 的 filter() 函式適用於未分組和分組的資料。
我們將首先對分組 tibble 中原始資料的值使用 filter()。
示例程式碼：
# Create a tibble with groups.
t_fil = my_t %>% group_by(Col_one, Col_two)
# Remove rows where Col_one is 'RD'.
t_fil %>% filter(Col_one != "RD")
輸出：
# A tibble: 7 x 3
# Groups: Col_one, Col_two [4]
Col_code Col_one Col_two
<int> <chr> <dbl>
1 2233 GN 6
2 2895 YW 6
3 3120 GN 6
4 6439 YW 3
5 4819 GN 6
6 2573 GN 6
7 6509 GN 3
資料被過濾，分組仍然存在。我們現在可以使用 summarize() 來獲取組摘要。
接下來，讓我們對我們為組計算的值使用過濾器。
示例程式碼：
# First summarize.
t_fil %>% summarize(AVE = num(mean(Col_code), digits=-2))
# Now filter the summarized data.
# We will provide the new summary column to the filter function.
t_fil %>% summarize(AVE = num(mean(Col_code), digits=-2)) %>% filter(AVE > 4000)
輸出：
# A tibble: 4 x 3
# Groups: Col_one [3]
Col_one Col_two AVE
<chr> <dbl> <num:.2>
1 GN 3 6509
2 RD 3 4309
3 RD 6 4734.5
4 YW 3 6439
在 R 中使用 group_by() 和 mutate()
在下面的示例中，我們將看到 mutate() 作用於已定義的組。新列給出了指定組 Col_one 的最小值 Col_code。
示例程式碼：
# Group data.
t_mut = my_t %>% group_by(Col_one)
# Mutate based on grouping.
t_mut %>% mutate(MIN_GR_CODE = min(Col_code)) %>% arrange(.by_group = TRUE)
# If we use summarize(), we do not get the columns that were not grouped.
t_mut %>% summarize(MIN_GR_CODE = min(Col_code))
輸出：
> # Mutate based on grouping.
> t_mut %>% mutate(MIN_GR_CODE = min(Col_code)) %>% arrange(.by_group = TRUE)
# A tibble: 10 x 4
# Groups: Col_one [3]
Col_code Col_one Col_two MIN_GR_CODE
<int> <chr> <dbl> <int>
1 2233 GN 6 2233
2 3120 GN 6 2233
3 4819 GN 6 2233
4 2573 GN 6 2233
5 6509 GN 3 2233
6 3985 RD 6 3985
7 5484 RD 6 3985
8 4309 RD 3 3985
9 2895 YW 6 2895
10 6439 YW 3 2895
> # If we use summarize(), we do not get the columns that were not grouped.
> t_mut %>% summarize(MIN_GR_CODE = min(Col_code))
# A tibble: 3 x 2
Col_one MIN_GR_CODE
<chr> <int>
1 GN 2233
2 RD 3985
3 YW 2895
在 R 中取消組合 tibble
一旦我們完成了對使用 group_by() 分組的 tibble 的分析，我們應該使用 ungroup() 函式來刪除分組。這將確保後續分析將在未分組的資料上進行。
我們需要將 tibble 的未分組版本儲存為物件以使更改持久化。
示例程式碼：
# View a grouped tibble.
tib_2_gr
# The grouping is mentioned as the second line in the output.
# We can also check the grouping using the group_vars() function.
group_vars(tib_2_gr)
# ungroup() the tibble.
ungroup(tib_2_gr)
# Check the groups.
group_vars(tib_2_gr)
# The groups are still there because we did not save the change.
# Save to the same object name.
tib_2_gr = ungroup(tib_2_gr)
# Now check the groupings.
group_vars(tib_2_gr)
# There is no grouping.
最後兩個命令的輸出：
> # Save to the same object name.
> tib_2_gr = ungroup(tib_2_gr)
>
> # Now check the groupings.
> group_vars(tib_2_gr)
character(0)
參考
有關更多詳細資訊，請參閱 dplyr 的文件。
對於 num()，請參閱 tibble 的文件。
Jesse is passionate about data analysis and visualization. He uses the R statistical programming language for all aspects of his work.