R数据科学|3.6内容介绍
上节我们对选择现有的列和使用mutate添加新列做了介绍。现在对数据框使用summarize()进行分组摘要进行介绍。函数功能：summarize()可以将数据框折叠成一行：
summarize(flights, delay = mean(dep_delay, na.rm = TRUE))
#> # A tibble: 1 × 1
#> delay
#> <dbl>
#> 1 12.6
如果想要将分析单位从整个数据集更改为单个分组，可以使用group_by()。group_by() 和 summarize()的组合构成了使用 dplyr 包时最常用的操作之一：分组摘要。例如，如果对按日期分组的一个数据框应用与上面完全相同的代码，那么我们就可以得到每日平均延误时间：
by_day <- group_by(flights, year, month, day)
summarize(by_day, delay = mean(dep_delay, na.rm = TRUE))
#> Source: local data frame [365 x 4]
#> Groups: year, month [?]
#>
#> year month day delay
#> <int> <int> <int> <dbl>
#> 1 2013 1 1 11.55
#> 2 2013 1 2 13.86
#> 3 2013 1 3 10.99
#> 4 2013 1 4 8.95
#> 5 2013 1 5 5.73
#> 6 2013 1 6 7.15管道是一种强大的工具，可以清楚地表示由多个操作组成的一个操作序列。管道是一种强大的工具，可以清楚地表示由多个操作组成的一个操作序列。
#> # ... with 359 more rows
3.6.1 使用管道组合多种操作
管道（%>%） 是一种强大的工具，可以清楚地表示由多个操作组成的一个操作序列。为了说明管道如此有用的原因， 我们将探究同一段代码的不同编写方式。现在我们使用代码来讲述小兔福福的故事：
foo_foo <- little_bunny()
然后，我们使用函数来表示每个动作：hop()、scoop()和 bop()。
于是这首童谣可以如下表示，这种方法的最大缺点是，你必须为每个中间结果建立一个变量，在很多情况下，比如在本例中，这些变量其实是没有什么实际意义的，你还必须使用数字后缀来区分这些变量：
foo_foo_1 <- hop(foo_foo, through = forest)
foo_foo_2 <- scoop(foo_foo_1, up = field_mice)
foo_foo_3 <- bop(foo_foo_2, on = head)
另一种方法是将多个函数组合在一起，这样可以避免赋值语句，这种方法的缺点是，必须按照从内向外和从右向左的顺序阅读代码，而且参数太分散了：
bop(
scoop(
hop(foo_foo, through = forest),
up = field_mice
),
on = head
)
使用管道可以很好解决代码冗杂的问题,它的重点在于动词，而不是名词。在阅读这一串函数组合时，你可以将它们当成一系列规定动作。福福蹦跳着，然后抓田鼠，接着打田鼠:
foo_foo %>%
hop(through = forest) %>%
scoop(up = field_mouse) %>%
bop(on = head)
掌握管道的用法后，可以显著提高代码的可读性，代码的编写也将更加容易。
3.6.2 缺失值
聚合函数遵循缺失值的一般规则：如果输入中有缺失值，那么输出也会是缺失值。好在所有聚合函数都有一个 na.rm参数，只需设置na.rm =TRUE，即可在计算前除去缺失值。
3.6.3 计数
聚合操作中常用的计数操作：
n()：给出当前分组的个数sum(!is_na())：对非缺失值的计数n_distinct()：计算出唯一值的数量count()：一个简单的辅助函数，用于只需要计数的情况
3.6.4 常用的摘要函数
位置度量： median(x),mean(x)
均值是总数除以个数；中位数则是这样一个值：50% 的 x 大于它，同时 50% 的 x 小于它。分散程度度量： sd(x)、IQR(x)和mad(x)
均方误差（又称标准误差，standard deviation，sd）是分散程度的标准度量方式。四分位距IQR()和绝对中位差mad(x)基本等价，更适合有离群点的情况。秩的度量： min(x)、quantile(x, 0.25)和max(x)
分位数是中位数的扩展。例如，quantile(x, 0.25)会找出 x 中按从小到大顺序大于前25% 而小于后75% 的值：定位度量： first(x)、nth(x, 2)和last(x)
这几个函数的作用与 x[1]、x[2] 和 x[length(x)] 相同，只是当定位不存在时（比如尝试从只有两个元素的分组中得到第三个元素），前者允许你设置一个默认值。
3.6.5 按多个变量分组
当使用多个变量进行分组时，每次的摘要统计会用掉一个分组变量。这样就可以轻松地对数据集进行循序渐进的分析：
#统计每天的航班数
daily <- group_by(flights, year, month, day)
(per_day <- summarize(daily, flights = n()))
#> Source: local data frame [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
#统计每月的航班数
(per_month <- summarize(per_day, flights = sum(flights)))
#> Source: local data frame [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
#统计一年的航班数
(per_year <- summarize(per_month, flights = sum(flights)))
#> # A tibble: 1 × 2
#> year flights
#> <int> <int>
#> 1 2013 336776
注意：在循序渐进地进行摘要分析时，使用求和与计数操作是没问题的，但如果想要使用加权平均和方差的话，就要仔细考虑一下，在基于秩的统计数据（如中位数）上是无法进行这些操作的。换句话说，对分组求和的结果再求和就是对整体求和，但分组中位数的中位数可不是整体的中位数。
3.6.6 取消分组
如果想要取消分组，并回到未分组的数据继续操作，那么可以使用ungroup()函数：
daily %>%
ungroup() %>% # 不再按日期分组
summarize(flights = n()) # 所有航班
#> # A tibble: 1 × 1
#> flights
#> <int>
#> 1 336776
往期推荐