Esplorazione e Aggregazione

R nasce principalmente come ambiente statistico, di conseguenza mette a disposizione numerose funzioni native per analizzare, riassumere e comprendere la distribuzione dei dati in vettori o tabelle.

Funzioni Statistiche di Base

R consente di calcolare con estrema facilità i principali indici di centralità e variabilità su vettori numerici:

• mean(x): Calcola la media aritmetica degli elementi.
• median(x): Calcola la mediana (il valore centrale).
• sd(x): Calcola la deviazione standard (misura della dispersione dei dati).
• min(x) e max(x): Restituiscono rispettivamente il valore minimo e massimo.

values <- c(10, 12, 15, 18, 20, 22)

avg <- mean(values)
dispersion <- sd(values)

cat("Media:", avg, "- Dev. Std:", round(dispersion, 2), "\n")

Gestione dei Dati Mancanti (NA)

Nel mondo reale, i dataset contengono spesso valori mancanti, rappresentati in R dall'entità speciale NA (Not Available).

Se provi a calcolare la media o qualsiasi altro aggregato su un vettore che contiene anche solo un NA, R restituirà NA come risultato. Per ignorare i valori mancanti, devi passare l'argomento logico na.rm = TRUE (NA remove):

temperatures <- c(18, 21, NA, 24, 19)

# Questo restituirà NA
print(mean(temperatures))

# Questo ignorerà l'NA ed effettuerà il calcolo sui valori validi
print(mean(temperatures, na.rm = TRUE))

Riepilogo Globale con summary()

La funzione summary() è uno strumento potente che fornisce una panoramica statistica completa di un vettore o di un intero Data Frame, mostrando min, primo quartile, mediana, media, terzo quartile e max:

prices <- c(5, 10, 15, 20, 100)
print(summary(prices))

Aggregazione dei Dati con aggregate

Quando si lavora con data frame, è comune voler calcolare statistiche di riepilogo (come la media o la somma) per gruppi o categorie. La funzione aggregate() in R semplifica questo processo:

df <- data.frame(
  department = c("HR", "IT", "HR", "IT"),
  salary = c(3000, 4500, 3200, 4800)
)

# Calcola la media dei salari per dipartimento
avg_salaries <- aggregate(salary ~ department, data = df, FUN = mean)
print(avg_salaries)

La sintassi salary ~ department significa "analizza la variabile salary in base alla variabile department". L'argomento FUN = mean specifica che vogliamo calcolare la media aritmetica di ciascun gruppo.

Filtraggio Avanzato con subset

La funzione subset() fornisce un modo intuitivo ed elegante per estrarre sottoinsiemi di righe e colonne da un data frame, evitando l'uso di parentesi quadre complesse:

employees <- data.frame(
  name = c("Alice", "Bob", "Charlie"),
  age = c(25, 34, 29),
  active = c(TRUE, FALSE, TRUE)
)

# Filtra solo i dipendenti attivi con età superiore a 28
active_employees <- subset(employees, active == TRUE & age > 28)

Prova tu