Дослідження та агрегація

R було створено в основному як статистичне середовище, тому воно надає багато вбудованих функцій для аналізу, узагальнення та розуміння розподілу даних у векторах або таблицях.

Основні статистичні функції

R дозволяє легко обчислити основні міри центру та розвороту на числових векторах:

• mean(x): обчислює середнє арифметичне елементів.
• median(x): обчислює медіану (середнє значення).
• sd(x): обчислює стандартне відхилення (показник того, наскільки розкидані дані).
• min(x) і max(x): повертає мінімальне та максимальне значення відповідно.

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

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

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

Обробка відсутніх даних (NA)

У реальному світі набори даних часто містять відсутні значення, представлені в R спеціальною сутністю NA (Недоступно).

Якщо ви спробуєте обчислити середнє або будь-яке інше агрегатне значення для вектора, який містить хоча б один NA, R поверне NA як результат. Щоб проігнорувати пропущені значення, ви повинні передати логічний аргумент na.rm = TRUE (вилучити 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))

Глобальне резюме з summary()

Функція summary() — це потужний інструмент, який надає повний статистичний огляд вектора або цілого кадру даних, показуючи мінімальне значення, перший квартиль, медіану, середнє значення, третій квартиль і максимум:

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

Агрегування даних за допомогою aggregate

Під час роботи з кадрами даних зазвичай обчислюють підсумкову статистику (наприклад, середнє значення або суму) для певних груп або категорій. Функція aggregate() в R спрощує цей процес:

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)

Синтаксис salary ~ department означає «проаналізувати змінну salary на основі змінної department». Аргумент FUN = mean вказує, що ми хочемо обчислити середнє арифметичне для кожної групи.

Розширена фільтрація з subset

Функція subset() забезпечує інтуїтивно зрозумілий і елегантний спосіб вилучення підмножин рядків і стовпців із кадру даних, уникаючи використання складних квадратних дужок:

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)

Спробуйте самі