【上一篇：18.关于summarise()之三】
【下一篇：20.mutate()和filter()与group_by()的使用】
前面，我们已经知道，用group_by()函数可以实现以组的方式进行汇总，单个变量、多个变量都可以作为一组。我们也知道，使用group_by()之后返回的新的数据框中会有Groups的标识，显示是已经分组的数据框（如果需要取消分组，可以用ungroup()函数，用法的话看文章最后）。不知道你有没有注意到分好组的数据框中Groups标识行在summarise前后有什么变化呢？看个例子吧：
> daily <- group_by(flights, year, month, day)
> daily
# A tibble: 336,776 x 19
# 只执行group_by()命令之后显示按照year,month,day分组
# Groups: year, month, day [365]
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2013 1 1 517 515 2 830 819
2 2013 1 1 533 529 4 850 830
3 2013 1 1 542 540 2 923 850
4 2013 1 1 544 545 -1 1004 1022
5 2013 1 1 554 600 -6 812 837
6 2013 1 1 554 558 -4 740 728
7 2013 1 1 555 600 -5 913 854
8 2013 1 1 557 600 -3 709 723
9 2013 1 1 557 600 -3 838 846
10 2013 1 1 558 600 -2 753 745
# ... with 336,766 more rows, and 11 more variables: 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>
#基于全年汇总每天的航班总数
> (per_day <- summarise(daily, flights = n()))
`summarise()` has grouped output by 'year', 'month'. You can override using the `.groups` argument.
# A tibble: 365 x 4
#执行完summarise()之后变成了year,month
# Groups: year, month [12]
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
7 2013 1 7 933
8 2013 1 8 899
9 2013 1 9 902
10 2013 1 10 932
# ... with 355 more rows
相信你看到不同了，这是因为每执行一次summarise()，就会剥离group的一个level。因此可以实现逐步汇总。我们再汇总一次：
#基于per_day再次汇总
> (per_month <- summarise(per_day, flights = sum(flights)))
`summarise()` has grouped output by 'year'. You can override using the `.groups` argument.
# A tibble: 12 x 3
#再次汇总后，Groups只有year了
# Groups: year [1]
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
7 2013 7 29425
8 2013 8 29327
9 2013 9 27574
10 2013 10 28889
11 2013 11 27268
12 2013 12 28135
在逐步汇总时要小心:对于求和和计数来说是可以的，但是需要考虑加权均值和方差。对于像中位数这样的基于排名的统计数据，这是不可能做到的。换句话说，组和的和是总和，但组中位数的中位数不是总中位数。
#取消分组
daily %>%
ungroup() %>%
summarise(flights = n())
这一篇本身就是书中summarise()的最后部分，应用面不广，只要知道就好了。
练习题
1.头脑风暴至少5种不同的方法来评估一组航班的典型延误特征。考虑以下场景:
1）航班提前15分钟是50%，迟到15分钟是50%。
2）飞机总是晚点10分钟。
3）提前30分钟是50%，晚30分钟是50%
4）航班99%的时间都是准点的。1%的时间晚了2个小时。
到达延误和出发延误哪个更重要?
2.改变写法，输出与not_cancelled %>% count(dest) and not_cancelled %>% count(tailnum, wt = distance)相同的结果，不要使用count()
not_cancelled %>% group_by(dest) %>% summarise(n=n())
not_cancelled %>% group_by(tailnum) %>% summarise(sum(distance))
3.对航班取消的定义是： (is.na(dep_delay) | is.na(arr_delay) )，不是最优的，为什么？哪一列最重要？（不知道）
4.看看每天被取消的航班数量。有什么模式吗?航班被取消的比例是否与平均延误有关?
5.哪家航空公司的航班延误最严重?挑战:你能区分坏机场和坏航空公司的影响吗?为什么/为什么不?（提示：think about flights %>% group_by(carrier, dest) %>% summarise(n())）
6. count()函数有个sort参数，是做什么的？什么时候可能用到它？
【上一篇：18.关于summarise()之三】
【下一篇：20.mutate()和filter()与group_by()的使用】
网友评论