Explorare și agregare

R a fost creat în primul rând ca mediu statistic, astfel încât oferă multe funcții încorporate pentru a analiza, rezuma și înțelege distribuția datelor în vectori sau tabele.

Funcții statistice de bază

R vă permite să calculați cu ușurință principalele măsuri de centru și răspândire pe vectori numerici:

• mean(x): Calculează media aritmetică a elementelor.
• median(x): calculează mediana (valoarea mijlocie).
• sd(x): calculează abaterea standard (o măsură a gradului de răspândire a datelor).
• min(x) și max(x): returnează valorile minime și, respectiv, maxime.

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

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

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

Gestionarea datelor lipsă (NA)

În lumea reală, seturile de date conțin adesea valori lipsă, reprezentate în R de entitatea specială NA (Nedisponibil).

Dacă încercați să calculați media sau orice alt agregat pe un vector care conține chiar și un singur NA, R va returna NA ca rezultat. Pentru a ignora valorile lipsă, trebuie să treceți argumentul logic na.rm = TRUE (eliminare NA):

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

# This will return NA
print(mean(temperatures))

# This will ignore the NA and perform the calculation on valid values
print(mean(temperatures, na.rm = TRUE))

Rezumat global cu summary()

Funcția summary() este un instrument puternic care oferă o imagine de ansamblu statistică completă a unui vector sau a întregului cadru de date, arătând min, primul quartile, mediana, medie, a treia quartila și maxim:

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

Agregarea datelor cu aggregate

Când lucrați cu cadre de date, este obișnuit să se calculeze statistici rezumative (cum ar fi media sau suma) pentru anumite grupuri sau categorii. Funcția aggregate() din R simplifică acest proces:

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)

Sintaxa salary ~ department înseamnă „analizați variabila salary pe baza variabilei department”. Argumentul FUN = mean specifică faptul că dorim să calculăm media aritmetică pentru fiecare grup.

Filtrare avansată cu subset

Funcția subset() oferă o modalitate intuitivă și elegantă de a extrage subseturi de rânduri și coloane dintr-un cadru de date, evitând utilizarea parantezelor pătrate complexe:

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)

Încercați-l singur