R 中的数据聚合

聚合方法

例如，我们可以使用聚合来计算不同产品的平均销售额或总购买次数。这些聚合结果可以为商业决策提供依据，比如确定哪些产品应重点开发，或针对哪些客户群体开展促销活动。
聚合最常见的用途是计算数据的统计指标，如均值、总和、标准差、方差、范围或中位数。

summarize() 函数

summarize() 函数用于计算传入变量的聚合值。它结构灵活，允许按顺序添加额外列到输出结果中，并支持为包含聚合结果的列命名。
该函数至少需要两个输入参数：数据集和用聚合计算包裹的列名。输出结果即为语法中指定的聚合值。我们可以使用常见的统计函数作为计算方法，如 mean()、median()、sd() 和 sum()。

1# 标准结构
2summarize(<数据>, <方法>(<列>))
3summarize(customers, sum(purchases))  # 示例
4
5# ----- 或者 -----
6# 管道结构
7<data> %>% summarize(<方法>(<列>))
8customers %>% summarize(sum(purchase)) # 示例

以下示例将在 iris 数据集上展示 summarize() 的功能。我们将计算均值、中位数和标准差，并结合 filter() 在管道中使用。
请查看以下示例：

1## 本练习中使用 CO2 和 iris 数据集
2library(dplyr)  
3# 计算 Sepal.Length 列的均值
4print('----- 计算 iris 数据集的 Sepal.Length 列：---')
5agg1 <- summarise(iris, mean(Sepal.Length)) 
6print(agg1)  # 输出计算结果
7print('----- Sepal.Length 列的均值、中位数和标准差：--')
8# 计算多个聚合值，并手动命名列
9agg2 <- summarise(iris, avg = mean(Sepal.Length), stnd_dv = sd(Sepal.Length), med = median(Sepal.Length))
10print(agg2)  # 输出计算结果
11print('-------- 先过滤数据再计算聚合值：----')
12# 先过滤 conc 值小于 250 或大于 500 的行，然后使用管道计算行数、总和与均值
13agg3 <- CO2 %>% filter(conc < 250 | conc > 500) %>% summarise(number = n(), total = sum(conc), avg = mean(conc))
14print(agg3) # 输出计算结果
15print('-------- 过滤和聚合后数据的预览：---')
16# 过滤数据后，新增一列显示累计值除以总和
17# 该计算表示当前行之前已覆盖的总数据比例
18agg4 <- CO2 %>% filter(conc < 250 | conc > 500) %>% summarise(percentage = cumsum(conc) / sum(conc))
19print(head(agg4))   # 输出前 5 行计算结果
20print('-------- 过滤和聚合后数据的最后几行：---')
21print(tail(agg4))   # 输出最后 5 行计算结果

• 第 5 行：我们计算了 Sepal.Length 列的均值。

• 第 9 行：我们计算了 Sepal.Length 列的均值、标准差和中位数，并将这些结果分别命名为 avg、stnd_dv 和 med。

• 第 13 行：我们先筛选出 conc 值小于 250 或大于 500 的行，然后计算这些行的行数、总和和均值。

• 第 19 行：我们同样先进行筛选，随后计算累计和与总和的比值，以观察数据累积占比。

以下是数据分析师常用的其他聚合函数：

某些聚合函数在数据包含空值时会返回 NULL，因为无法处理缺失值。
我们可以通过在聚合函数中使用 na.rm= 参数来解决此问题。当设置为 TRUE 时，该参数可使计算忽略空值。
请看以下示例：

1# 本练习中使用 airquality 数据集
2library(dplyr)
3print(head(airquality))
4print('---- 不使用 na.rm 参数的聚合结果：----')
5agg1 <- airquality %>% summarise(avg_oz = mean(Ozone), sd_oz = sd(Ozone))
6print(agg1)
7print('---- 使用 na.rm 参数的聚合结果：----')
8agg2 <- airquality %>% summarise(avg_oz = mean(Ozone, na.rm = TRUE), sd_oz = sd(Ozone, na.rm = TRUE))
9print(agg2)

注意输出之间的差异。第 5 行和第 8 行代码几乎相同，唯一的区别在于后者包含了 na.rm= 参数。

按组聚合数据

按类别对数据进行分组是数据分析中揭示模式的强大技术。我们可以深入探索特定数据子集的特征。例如，企业可以计算居住在德克萨斯州和纽约州人员的平均薪资，并据此对这两类人群做出推断。这些特征有助于企业为每个群体制定定制化策略。

在 R 中，我们可以充分利用这一技术。group_by() 和 summarize() 函数组合在需要深入分析细节时非常实用。

group_by() 函数接收列名作为输入，为每个唯一值生成分组，这些分组可用于后续的聚合计算。

1<data> %>% group_by(<列>)  # 语法结构

以下是一些示例：

1library(dplyr)   # 本练习所需的关键库
2print('------------ 数据集预览：------------')
3head(CO2)
4print('---- 按 Treatment 列不同类别计算聚合值：----')
5grouped1 <- CO2 %>% group_by(Treatment) %>%  # 按 'Treatment' 列分组
6            summarise(avg = mean(uptake, na.rm = TRUE), number = n()) # 计算每组的均值和行数
7print(grouped1)
8print('---- 按 Plant 和 Treatment 两列分组后进行聚合计算：----')
9# 按两个不同列分组
10grouped2 <- CO2 %>% filter(uptake < 30) %>%  # 筛选 uptake 值小于 30 的行
11     group_by(Plant, Treatment) %>%     # 对筛选后的数据按两个列分组
12        summarize(avg = mean(uptake), number = n(), .groups = 'drop') # 计算每组的均值和行数
13print(grouped2)

• 第 5 行：我们计算了 Treatment 列中各分类组的聚合值。

• 第 10 行：我们筛选出 uptake 值小于 30 的行。

• 第 11 行：我们将数据按 Plant 和 Treatment 两列的组合进行分组。

• 第 12 行：我们计算了每对 Plant 和 Treatment 分组下的 uptake 均值和行数。由于 Plant 列在参数中优先级更高，因此它在分组中具有优先地位。

注意：当数据按多列分组时，summarize() 函数需使用 .groups = 'drop' 参数才能正常运行。否则，数据仅按第一列分组。

aggregate() 函数

aggregate() 函数的工作方式与 group_by 和 summarize 的组合非常相似。
它接受四个参数：

• 目标列：函数在此列上执行计算。
• 参考列：数据根据参考列中的类别进行分组。我们使用 ~ 符号表示目标列与参考列之间的关系。
• 数据：指明数据集变量的名称。
• 测量方法：指明聚合类型，如均值、中位数或行数。

1## 聚合数据的通用示例
2aggregate(sales ~ customers, data, mean)

另一种使用方式是提供：

• 数据
• 通过 by 参数指定参考列
• 通过 FUN 参数指定计算方法

1## 聚合数据的通用示例
2aggregate(data[, c('sales', 'revenue')], by = list(data$customer), FUN = mean)

示例中仅展示了两种聚合方法，你可以自由更换方法以加深理解。
以下是具体示例：

1# 本练习中使用 'iris' 数据集
2library(dplyr)
3print('------- iris 数据集预览：----------')
4print(head(iris))
5print('------- Species 列中的类别名称：----------')
6print(unique(iris$Species))
7print('------ 按 Species 列各分类组计算 Sepal.Width 的均值：--')
8# 按 Species 列中的类别对 Sepal.Width 列的数据进行聚合
9# 函数接收目标列 (Sepal.Width) 与参考列 (Species) 的组合
10# 以及数据集 (iris) 和计算方法 (mean)
11agg1 <- aggregate(Sepal.Width ~ Species, iris, mean)  
12print(agg1)    # 输出结果
13print('------ 按 Species 列类别对前四列进行聚合：-')
14# 对 iris 数据集中第 1 至第 4 列按 Species 列的类别进行聚合
15# 计算前四列的均值
16agg2 <- aggregate(iris[, 1:4], by = list(reference = iris$Species), FUN = sd)
17print(agg2)

• 第 6 行：我们获取了 Species 列中的类别名称。

• 第 11 行：我们按 Species 列中的每个类别对 Sepal.Width 的值进行聚合。

• 第 16 行：我们按 Species 列中的每个类别对第 1 至第 4 列的值进行聚合。

如上所示，aggregate() 函数支持多种结构。选择最适合你风格的方式即可。