dpois函数_frequency函数

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

https://r4ds.had.co.nz/transform.html#grouped-summaries-with-summarise

5.6 通过`summarise()`进行分组概括

summarise()将数据框折叠为单行：

summarise(flights, delay = mean(dep_delay, na.rm = TRUE))
#> # A tibble: 1 x 1
#>   delay
#>   <dbl>
#> 1  12.6

除非我们将它与group_by()配对，否则summarize()并不是非常有用。这会将分析单位从完整数据集更改为单个组。当在分组数据框上使用dplyr时，它们将自动“按组”应用。例如，如果我们将完全相同的代码应用于按日期分组的数据框，我们会得到每个日期的平均延迟：

by_day <- group_by(flights, year, month, day)
summarise(by_day, delay = mean(dep_delay, na.rm = TRUE))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day delay
#>   <int> <int> <int> <dbl>
#> 1  2013     1     1 11.5 
#> 2  2013     1     2 13.9 
#> 3  2013     1     3 11.0 
#> 4  2013     1     4  8.95
#> 5  2013     1     5  5.73
#> 6  2013     1     6  7.15
#> # … with 359 more rows

在使用dplyr时group_by()和summarize()是同时使用最常用的工具之一：分组概括。但在我们进一步研究之前，我们需要引入管道的概念。

5.6.1 通过管道连接多个操作符

想要探索每个位置的距离和平均延迟之间的关系，可以编写如下代码：

by_dest <- group_by(flights, dest)
delay <- summarise(by_dest,
  count = n(),
  dist = mean(distance, na.rm = TRUE),
  delay = mean(arr_delay, na.rm = TRUE)
)
delay <- filter(delay, count > 20, dest != "HNL")

# It looks like delays increase with distance up to ~750 miles 
# and then decrease. Maybe as flights get longer there's more 
# ability to make up delays in the air?
ggplot(data = delay, mapping = aes(x = dist, y = delay)) +
  geom_point(aes(size = count), alpha = 1/3) +
  geom_smooth(se = FALSE)
#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'

dpois函数_frequency函数
准备数据的三步：

按照destination过滤
概括计算distance，average delay和flights。
过滤，移除噪音点，移除Honolulu airport，因为它的距离大约是下一个最近的机场的两倍。
这段代码有点繁，因为我们必须为每个中间数据框命名。命名有时候很难，所以这会减慢我们的分析速度。

还有另一种解决管道相同问题的方法，%>%：

delays <- flights %>% 
  group_by(dest) %>% 
  summarise(
    count = n(),
    dist = mean(distance, na.rm = TRUE),
    delay = mean(arr_delay, na.rm = TRUE)
  ) %>% 
  filter(count > 20, dest != "HNL")

这侧重于转换，而不是转换的内容，这使代码更容易阅读。可以将其作为一系列命令性语句阅读：组，然后汇总，然后过滤。正如本文所述，在阅读代码时%>%意味着“然后”。

在幕后，x%>%f(y)变为f(x, y)，x％>％f(y)％>％g(z)变为g(f(x,y),z) 等等。可以使用管道以从左到右，从上到下的方式重写多个操作。从现在开始会经常使用管道，因为它大大提高了代码的可读性.

使用管道是属于tidyverse的关键标准之一。唯一的例外是ggplot2：它是在发布管道操作符之前编写的。不幸的是，ggplot2的下一次迭代，ggvis，确实使用了这个管道，但是还没有为黄金时间做好准备。

5.6.2 缺失值

您可能想知道我们上面使用的na.rm参数。如果我们不设置它会发生什么？

flights %>% 
  group_by(year, month, day) %>% 
  summarise(mean = mean(dep_delay))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day  mean
#>   <int> <int> <int> <dbl>
#> 1  2013     1     1    NA
#> 2  2013     1     2    NA
#> 3  2013     1     3    NA
#> 4  2013     1     4    NA
#> 5  2013     1     5    NA
#> 6  2013     1     6    NA
#> # … with 359 more rows

我们得到了很多缺失值！这是因为聚合函数遵循通常的缺失值规则：如果输入中有任何缺失值，则输出将是缺失值。幸运的是，所有聚合函数都有一个na.rm参数，该参数在计算之前删除缺失值：

flights %>% 
  group_by(year, month, day) %>% 
  summarise(mean = mean(dep_delay, na.rm = TRUE))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day  mean
#>   <int> <int> <int> <dbl>
#> 1  2013     1     1 11.5 
#> 2  2013     1     2 13.9 
#> 3  2013     1     3 11.0 
#> 4  2013     1     4  8.95
#> 5  2013     1     5  5.73
#> 6  2013     1     6  7.15
#> # … with 359 more rows

在这种情况下，如果缺失值代表取消的航班，我们也可以通过首先删除已取消的航班来解决问题。我们将保存此数据集，以便我们可以在接下来的几个示例中重复使用它。

not_cancelled <- flights %>% 
  filter(!is.na(dep_delay), !is.na(arr_delay))

not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(mean = mean(dep_delay))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day  mean
#>   <int> <int> <int> <dbl>
#> 1  2013     1     1 11.4 
#> 2  2013     1     2 13.7 
#> 3  2013     1     3 10.9 
#> 4  2013     1     4  8.97
#> 5  2013     1     5  5.73
#> 6  2013     1     6  7.15
#> # … with 359 more rows

5.6.3 计数

无论何时进行任何聚合，最好包括count(n())或非缺失值的计数(sum(!is.na(x)))。这样，可以根据非常少量的数据检查。例如，让我们看一下具有最高平均延迟的平面（由它们的尾号标识）：

delays <- not_cancelled %>% 
  group_by(tailnum) %>% 
  summarise(
    delay = mean(arr_delay)
  )

ggplot(data = delays, mapping = aes(x = delay)) + 
  geom_freqpoly(binwidth = 10)

dpois函数_frequency函数
有些飞机的平均延误时间为5小时（300分钟）！

这个故事实际上有点微妙。如果我们绘制航班数量与平均延误的散点图，我们可以获得更多信息：

delays <- not_cancelled %>% 
  group_by(tailnum) %>% 
  summarise(
    delay = mean(arr_delay, na.rm = TRUE),
    n = n()
  )

ggplot(data = delays, mapping = aes(x = n, y = delay)) + 
  geom_point(alpha = 1/10)

dpois函数_frequency函数
毫不奇怪，当航班很少时，平均延误会有更大的变化。此图的形状非常有特色：无论何时绘制平均值（或其他摘要）与组大小，都会看到随着样本量的增加，变化会减小。

在查看此类图时，过滤掉具有最少观察数的组通常很有用，因此可以看到更多的模式，而不是最小组中的极端变化。这就是下面的代码所做的，并向您展示了将ggplot2集成到dplyr流中的便捷模式。必须从%>%切换到+，这有点痛苦，但是一旦掌握了它，就会非常方便。

delays %>% 
  filter(n > 25) %>% 
  ggplot(mapping = aes(x = n, y = delay)) + 
    geom_point(alpha = 1/10)

dpois函数_frequency函数

RStudio提示：一个有用的键盘快捷键是Cmd / Ctrl + Shift + P.这会将之前发送的块从编辑器重新发送到控制台。当（例如）在上面的示例中探索n的值时，这非常方便。使用Cmd / Ctrl + Enter发送整个块一次，然后修改n的值并按Cmd / Ctrl + Shift + P重新发送完整块。

这种模式还有另一种常见的变化。让我们来看看棒球击球手的平均表现如何与他们击球的次数有关。在这里，使用来自拉赫曼包的数据来计算每个大联盟棒球运动员的击球率（击球次数/尝试次数）。
当绘制击球手的技能（按击球平均数，ba测量）与击球的机会数（ab测量）时，会看到两种模式：

如上所述，随着我们获得更多数据点，我们聚合的变化会减少。
技能（ba）与击球机会（ab）之间存在正相关关系。这是因为球队控制谁去比赛，显然他们会选择最好的球员。

# Convert to a tibble so it prints nicely
batting <- as_tibble(Lahman::Batting)

batters <- batting %>% 
  group_by(playerID) %>% 
  summarise(
    ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
    ab = sum(AB, na.rm = TRUE)
  )

batters %>% 
  filter(ab > 100) %>% 
  ggplot(mapping = aes(x = ab, y = ba)) +
    geom_point() + 
    geom_smooth(se = FALSE)
#> `geom_smooth()` using method = 'gam' and formula 'y ~ s(x, bs = "cs")'

dpois函数_frequency函数
这对排名也有重要意义。如果天真地对desc(ba)进行排序，那么打击率最高的人显然很幸运，不熟练：

batters %>% 
  arrange(desc(ba))
#> # A tibble: 18,915 x 3
#>   playerID     ba    ab
#>   <chr>     <dbl> <int>
#> 1 abramge01     1     1
#> 2 banisje01     1     1
#> 3 bartocl01     1     1
#> 4 bassdo01      1     1
#> 5 berrijo01     1     1
#> 6 birasst01     1     2
#> # … with 1.891e+04 more rows

可以在这里找到对这个问题的一个很好的解释:http://varianceexplained.org/r/empirical_bayes_baseball/ 和 http://www.evanmiller.org/how-not-to-sort-by-average-rating.html。

5.6.4 实用的汇总功能

只使用平均值，计数和求和就可以获得很长的路要走，但R提供了许多其他有用的汇总函数：

衡量定位：我们使用均值mean(x)，但中位数median(x)也很有用。均值是除以长度的总和；中位数是一个值，其中50%的x高于它，50%低于它。
将聚合与逻辑子集相结合有时很有用。我们还没有谈到这种子集化，但你会在子集中了解更多。

not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(
    avg_delay1 = mean(arr_delay),
    avg_delay2 = mean(arr_delay[arr_delay > 0]) # the average positive delay
  )
#> # A tibble: 365 x 5
#> # Groups:   year, month [?]
#>    year month   day avg_delay1 avg_delay2
#>   <int> <int> <int>      <dbl>      <dbl>
#> 1  2013     1     1      12.7        32.5
#> 2  2013     1     2      12.7        32.0
#> 3  2013     1     3       5.73       27.7
#> 4  2013     1     4      -1.93       28.3
#> 5  2013     1     5      -1.53       22.6
#> 6  2013     1     6       4.24       24.4
#> # … with 359 more rows

衡量离散度：sd(x)，IQR(x)，mad(x)。均方根偏差或标准差sd(x)是离散的标准度量。四分位数范围IQR(x)和中位数绝对偏差mad(x)是稳健的等价物，如果有异常值可能会更有用。

# Why is distance to some destinations more variable than to others?
not_cancelled %>% 
  group_by(dest) %>% 
  summarise(distance_sd = sd(distance)) %>% 
  arrange(desc(distance_sd))
#> # A tibble: 104 x 2
#>   dest  distance_sd
#>   <chr>       <dbl>
#> 1 EGE         10.5 
#> 2 SAN         10.4 
#> 3 SFO         10.2 
#> 4 HNL         10.0 
#> 5 SEA          9.98
#> 6 LAS          9.91
#> # … with 98 more rows

等级衡量：minx(x)，quantile(x,0.25)，max(x)。分位数是中位数的推广。例如，quantile(x, 0.25)将发现x中值大于25%，并且小于剩余的75%的值。

# When do the first and last flights leave each day?
not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(
    first = min(dep_time),
    last = max(dep_time)
  )
#> # A tibble: 365 x 5
#> # Groups:   year, month [?]
#>    year month   day first  last
#>   <int> <int> <int> <dbl> <dbl>
#> 1  2013     1     1   517  2356
#> 2  2013     1     2    42  2354
#> 3  2013     1     3    32  2349
#> 4  2013     1     4    25  2358
#> 5  2013     1     5    14  2357
#> 6  2013     1     6    16  2355
#> # … with 359 more rows

Measures of position：first(x)，nth(x, 2)，last(x)。与x[1]，x[2]和x[length(x)]相似，但是如果该位置不存在，则允许设置默认值（即，您试图从组中获取第3个元素）只有两个元素）。例如，我们可以找到每天的第一次和最后一次出发：

not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(
    first_dep = first(dep_time), 
    last_dep = last(dep_time)
  )
#> # A tibble: 365 x 5
#> # Groups:   year, month [?]
#>    year month   day first_dep last_dep
#>   <int> <int> <int>     <int>    <int>
#> 1  2013     1     1       517     2356
#> 2  2013     1     2        42     2354
#> 3  2013     1     3        32     2349
#> 4  2013     1     4        25     2358
#> 5  2013     1     5        14     2357
#> 6  2013     1     6        16     2355
#> # … with 359 more rows

这些功能是对排名过滤的补充。过滤提供所有变量，每个观察在一个单独的行中：

not_cancelled %>% 
  group_by(year, month, day) %>% 
  mutate(r = min_rank(desc(dep_time))) %>% 
  filter(r %in% range(r))
#> # A tibble: 770 x 20
#> # Groups:   year, month, day [365]
#>    year month   day dep_time sched_dep_time dep_delay arr_time
#>   <int> <int> <int>    <int>          <int>     <dbl>    <int>
#> 1  2013     1     1      517            515         2      830
#> 2  2013     1     1     2356           2359        -3      425
#> 3  2013     1     2       42           2359        43      518
#> 4  2013     1     2     2354           2359        -5      413
#> 5  2013     1     3       32           2359        33      504
#> 6  2013     1     3     2349           2359       -10      434
#> # … with 764 more rows, and 13 more variables: sched_arr_time <int>,
#> #   arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
#> #   origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
#> #   minute <dbl>, time_hour <dttm>, r <int>

计数和逻辑值的比例：sum(x > 10)，mean(y == 0)。当与数字函数一起使用时，TRUE转换为1，FALSE转换为0。这使得sum()和mean()非常有用：sum(x)给出x中的TRUE数，而mean(x)给出比例。

# How many flights left before 5am? (these usually indicate delayed
# flights from the previous day)
not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(n_early = sum(dep_time < 500))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day n_early
#>   <int> <int> <int>   <int>
#> 1  2013     1     1       0
#> 2  2013     1     2       3
#> 3  2013     1     3       4
#> 4  2013     1     4       3
#> 5  2013     1     5       3
#> 6  2013     1     6       2
#> # … with 359 more rows

# What proportion of flights are delayed by more than an hour?
not_cancelled %>% 
  group_by(year, month, day) %>% 
  summarise(hour_perc = mean(arr_delay > 60))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day hour_perc
#>   <int> <int> <int>     <dbl>
#> 1  2013     1     1    0.0722
#> 2  2013     1     2    0.0851
#> 3  2013     1     3    0.0567
#> 4  2013     1     4    0.0396
#> 5  2013     1     5    0.0349
#> 6  2013     1     6    0.0470
#> # … with 359 more rows

5.6.5 对多个变量分组

当您按多个变量分组时，每个概括都会剥离一个分组级别。这样可以轻松逐步汇总数据集：

daily <- group_by(flights, year, month, day)
(per_day   <- summarise(daily, flights = n()))
#> # A tibble: 365 x 4
#> # Groups:   year, month [?]
#>    year month   day flights
#>   <int> <int> <int>   <int>
#> 1  2013     1     1     842
#> 2  2013     1     2     943
#> 3  2013     1     3     914
#> 4  2013     1     4     915
#> 5  2013     1     5     720
#> 6  2013     1     6     832
#> # … with 359 more rows
(per_month <- summarise(per_day, flights = sum(flights)))
#> # A tibble: 12 x 3
#> # Groups:   year [?]
#>    year month flights
#>   <int> <int>   <int>
#> 1  2013     1   27004
#> 2  2013     2   24951
#> 3  2013     3   28834
#> 4  2013     4   28330
#> 5  2013     5   28796
#> 6  2013     6   28243
#> # … with 6 more rows
(per_year  <- summarise(per_month, flights = sum(flights)))
#> # A tibble: 1 x 2
#>    year flights
#>   <int>   <int>
#> 1  2013  336776

逐步汇总时要小心：总和和计数都可以，但是需要考虑加权平均值和方差，并且不可能完全按照基于排名的统计数据（如中位数）进行。换句话说，分组总和的总和是总和，但分组中位数的中位数不是总体中位数。

5.6.6 取消组合

如果需要删除分组，并返回对未分组数据的操作，使用ungroup()。

daily %>% 
  ungroup() %>%             # no longer grouped by date
  summarise(flights = n())  # all flights
#> # A tibble: 1 x 1
#>   flights
#>     <int>
#> 1  336776

5.6.7 练习

1. Brainstorm at least 5 different ways to assess the typical delay characteristics of a group of flights. Consider the following scenarios:
- A flight is 15 minutes early 50% of the time, and 15 minutes late 50% of the time.
- A flight is always 10 minutes late.
- A flight is 30 minutes early 50% of the time, and 30 minutes late 50% of the time.
- 99% of the time a flight is on time. 1% of the time it’s 2 hours late.
Which is more important: arrival delay or departure delay?

2. Come up with another approach that will give you the same output as not_cancelled %>% count(dest) and not_cancelled %>% count(tailnum, wt = distance) (without using count()).

3. Our definition of cancelled flights (is.na(dep_delay) | is.na(arr_delay) ) is slightly suboptimal. Why? Which is the most important column?

4. Look at the number of cancelled flights per day. Is there a pattern? Is the proportion of cancelled flights related to the average delay?

5. Which carrier has the worst delays? Challenge: can you disentangle the effects of bad airports vs. bad carriers? Why/why not? (Hint: think about flights %>% group_by(carrier, dest) %>% summarise(n()))

6. What does the sort argument to count() do. When might you use it?

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/167191.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权正版激活】： 官方授权正版激活支持Jetbrains家族下所有IDE 使用个人JB账号...