Datan tiivistäminen on olennaista, jotta saat nopeasti käsityksen sen rakenteesta ja malleista.

Aineiston nopea yhteenveto

Ennen yksityiskohtaista analyysiä on hyödyllistä luoda nopea yleiskuva aineistosta. Tämä auttaa hahmottamaan arvojen vaihteluvälejä, jakaumia ja kategoristen arvojen esiintymistä yhdellä silmäyksellä. Voit käyttää tähän summary()-funktiota.

summary(df)

Yhden sarakkeen yhteenvetotilastot

Voit laskea peruskuvailevia tilastoja, kuten keskiarvon, mediaanin ja keskihajonnan yksittäisille sarakkeille. Esimerkiksi näin tiivistetään selling_price-sarakkeen tiedot.

Base R

Käytettävissä on omistettuja funktioita, kuten mean(), median() ja sd(). Argumentti na.rm = TRUE varmistaa, että puuttuvat arvot ohitetaan laskennan aikana.

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

dplyr

Kaikki kolme tilastotietoa voidaan laskea yhdellä askeleella summarise()-funktion avulla.

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)
  )

Useiden sarakkeiden tiivistäminen ryhmittäin

Usein halutaan vertailla yhteenvetotilastoja eri ryhmien välillä aineistossa. Esimerkiksi voidaan laskea keskimääräinen myyntihinta ja keskimääräinen ajokilometrimäärä polttoainetyypeittäin.

Ennen tiivistämistä varmista, että mileage-sarake on numeerinen:

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

Base R

aggregate()-funktiota voidaan käyttää ryhmiteltyjen tilastojen laskemiseen. cbind()-funktiolla voidaan tiivistää useita numeerisia sarakkeita samanaikaisesti.

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

dplyr

Ryhmittely ja tiivistäminen voidaan tehdä myös group_by()- ja summarise()-funktioilla. Tämä lähestymistapa on yleensä luettavampi ja helpompi laajentaa.

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