Sammanfattning av data är avgörande för att snabbt få en förståelse för dess struktur och mönster.

Snabb översikt av datasetet

Innan en detaljerad analys genomförs är det användbart att skapa en snabb översikt av datasetet. Detta hjälper dig att snabbt förstå intervall, fördelningar och förekomst av kategoriska värden. Du kan använda funktionen summary() för detta.

summary(df)

Sammanfattande statistik för en enskild kolumn

Du kan beräkna grundläggande beskrivande statistik såsom medelvärde, median och standardavvikelse för enskilda kolumner. Här är till exempel hur du sammanfattar kolumnen selling_price.

Base R

Det finns dedikerade funktioner som mean(), median() och sd() tillgängliga. Argumentet na.rm = TRUE säkerställer att saknade värden ignoreras vid beräkning.

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

dplyr

Alla tre statistiska mått kan beräknas i ett steg med funktionen 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)
  )

Sammanfatta flera kolumner efter grupp

Ofta vill du jämföra sammanfattande statistik mellan olika grupper i din datamängd. Till exempel kan du beräkna genomsnittligt försäljningspris och genomsnittlig körsträcka för varje typ av bränsle.

Innan du sammanfattar, säkerställ att kolumnen mileage är numerisk:

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

Base R

Funktionen aggregate() kan användas för att beräkna grupperad statistik. Funktionen cbind() möjliggör summering av flera numeriska kolumner samtidigt.

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

dplyr

Gruppering och summering kan även utföras med group_by() och summarise(). Detta tillvägagångssätt är generellt mer läsbart och enklare att utöka.

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