Resumir los datos es fundamental para obtener una comprensión rápida de su estructura y patrones.

Resumen rápido del conjunto de datos

Antes de realizar un análisis detallado, es útil generar una visión general rápida del conjunto de datos. Esto ayuda a comprender los rangos, distribuciones y la presencia de valores categóricos de un vistazo. Puede utilizar la función summary() para esto.

summary(df)

Estadísticas descriptivas para una sola columna

Puede calcular estadísticas descriptivas básicas como la media, la mediana y la desviación estándar para columnas individuales. Por ejemplo, así se resume la columna selling_price.

Base R

Existen funciones dedicadas como mean(), median() y sd() disponibles. El argumento na.rm = TRUE garantiza que los valores faltantes sean ignorados durante el cálculo.

mean(df$selling_price, na.rm = TRUE)
median(df$selling_price, na.rm = TRUE)
sd(df$selling_price, na.rm = TRUE)

dplyr

Es posible calcular las tres estadísticas en un solo paso utilizando la función summarise().

df %>%
  summarise(
    mean_price = mean(selling_price, na.rm = TRUE),
    median_price = median(selling_price, na.rm = TRUE),
    sd_price = sd(selling_price, na.rm = TRUE)
  )

Resumir múltiples columnas por grupo

A menudo, se requiere comparar estadísticas resumidas entre diferentes grupos en el conjunto de datos. Por ejemplo, se puede calcular el precio de venta promedio y el kilometraje promedio para cada tipo de combustible.

Antes de resumir, asegúrese de que la columna mileage sea numérica:

df$mileage <- as.numeric(gsub(" km.*", "", df$mileage))
str(df$mileage)

Base R

La función aggregate() se puede utilizar para calcular estadísticas agrupadas. La función cbind() permite resumir varias columnas numéricas a la vez.

aggregate(cbind(selling_price, mileage) ~ fuel, data = df, FUN = mean, na.rm = TRUE)

dplyr

El agrupamiento y la resumida también se pueden realizar utilizando group_by() y summarise(). Este enfoque suele ser más legible y fácil de ampliar.

df %>%
  group_by(fuel) %>%
  summarise(
    mean_price = mean(selling_price, na.rm = TRUE),
    mean_mileage = mean(mileage, na.rm = TRUE)
  )