Узагальнення Даних

Підсумовування даних є важливим для швидкого розуміння їхньої структури та закономірностей.

Швидкий огляд набору даних

Перед проведенням детального аналізу корисно отримати загальний огляд набору даних. Це допомагає швидко зрозуміти діапазони, розподіли та наявність категоріальних значень. Для цього можна використати функцію summary().

summary(df)

Описова статистика для окремого стовпця

Можна обчислити базові описові статистики, такі як середнє, медіана та стандартне відхилення для окремих стовпців. Наприклад, ось як підсумувати стовпець selling_price.

Базовий R

Доступні спеціалізовані функції, такі як mean(), median() та sd(). Аргумент na.rm = TRUE гарантує, що під час обчислення пропущені значення ігноруються.

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

dplyr

Усі три статистики можна обчислити за один крок за допомогою функції 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)
  )

Підсумовування кількох стовпців за групами

Часто виникає потреба порівнювати підсумкові статистики для різних груп у наборі даних. Наприклад, можна обчислити середню ціну продажу та середній пробіг для кожного типу пального.

Перед підсумовуванням переконайтеся, що стовпець mileage має числовий тип:

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

Базовий R

Функція aggregate() використовується для обчислення згрупованої статистики. Функція cbind() дозволяє підсумовувати декілька числових стовпців одночасно.

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

dplyr

Групування та підсумовування також можна виконати за допомогою group_by() та summarise(). Такий підхід зазвичай є більш читабельним і простішим для розширення.

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