教你几招R语言中的聚合操作

# 基于类似数据框x的数值聚合
aggregate(x, by, FUN, ..., simplify = TRUE, drop = TRUE)
# 基于公式formula的数值聚合
aggregate(formula, data, FUN, ...,
         subset, na.action = na.omit)
x：指定待分组聚合的数值型数据，可以是向量也可以是数据框；
by：指定分组变量，必须以列表的形式传递，如by = list(variable)；
FUN：指定分组聚合的统计函数，可以是R自带的函数也可以是用户自定义函数；...：指定FUN函数的其他参数值；
simplify：bool类型的参数，是否将聚合结果以简洁的向量或矩阵形式输出，默认为TRUE；
drop：bool类型的参数，是否删除无用的组合值（即通过by参数完成的变量组合），默认为TRUE；
formula：以公式的形式实现数据的聚合统计，例如'variable1 + variable2 ~ variable3'表示数值型变量variable1和variable2按照分组变量variable3作聚合统计；
data：指定需要分组统计的数据框或列表；
subset：通过可选的向量指定data的数据子集用于分组聚合；
na.action：指定缺失值的处理办法，默认为删除缺失值；

# 加载第三方包
library(lubridate)
sales <- read.csv(file = file.choose())
# 将字符型的订单日期Order_Date转换为日期型
sales$Order_Date <- ymd(sales$Order_Date)
# 统计历史数据中每天交易额
stats1 <- aggregate(x = sales$Pay_Amt, # 指定被聚合的数值变量
                by = list(sales$Order_Date), # 指定分组变量
                FUN = mean # 指定聚合函数为平均值函数
                )

# 统计2018年每天的交易额
stats2 <- aggregate(formula = Pay_Amt ~ Order_Date,
                data = sales,
                FUN = mean,
                subset = year(Order_Date) == 2018)
# 数据预览
View(stats1)
View(stats2)

sqldf(x, stringsAsFactors = FALSE,row.names = FALSE,
     dbname, drv = getOption("sqldf.driver"),
     user, password = "", host = "localhost", port,
     dll = getOption("sqldf.dll"),
     connection = getOption("sqldf.connection"),
     verbose = isTRUE(getOption("sqldf.verbose")))
x：指定SQL语句，并且以字符串形式写入SQL语句；
stringsAsFactors：bool类型的参数，是否将字符型变量转换为因子型变量，默认为FALSE；
row.names：bool类型的参数，是否保留数据框中的行名称，默认为FALSE；
dbname：如果数据源来自于MySQL等数据库，该参数用于指定数据集所对应的数据库名称；
drv：指定具体的数据库驱动，如SQLite、MySQL以及PostgreSQL等；
user：指定访问数据库所需的用户名名称；
password：指定访问数据库所需的密码：
host：指定访问数据库所需的服务器名称；
port：指定访问数据库所需的端口号；

# 加载第三方包library(sqldf)
# 使用SQL语法对数据作聚合统计
stats3 <- sqldf(x = "select region
               ,count(*) as Counts
               ,max(tot_amt) as Max_price
               ,avg(price_unit) as Avg_price
               ,min(size) as Min_size
               from sec_buildings
               where region in ('浦东','黄浦','徐汇','长宁','静安')
               group by region",  # 聚合统计的SQL语法
            drv = 'SQLite',  # 选择SQLite作为MySQL的驱动器
            dbname = 'train', # 指定表sec_buildings所在的数据库名称
            user = 'root', # 指定访问MySQL数据库的用户名
            password = '1q2w3e4r' # 指定访问MySQL数据库的密码
               )
# 数据预览View(stats3)

group_by(.data, ..., add = FALSE)
.data：指定需要聚合统计的数据框；
...：指定数据库中的哪些变量需要用作分组变量；
add：bool类型的参数，是否在已分组的数据框上再添加group_by的分组设置，默认为FALSE；summarise(.data, ...)
.data：指定已分组的数据框，即通过group_by函数处理的数据框；
...：以“variable_name = aggregate_fun(variable)”的形式表达聚合过程，其中等号左边的变量表示聚合后的新变量名，等号右边是基于某个变量作聚合函数的运算；

# 加载第三方包
titanic <- read_excel(path = file.choose())
# 指定分组变量
grouped <- group_by(.data = titanic, # 指定待聚合统计的原始数据框
                 Pclass # 指定Pclass变量为分组变量
                 )
# 聚合统计
stats4 <- summarise(.data = grouped, # 指定以分组好的数据框grouped
                Counts = n(), # 统计各舱的乘客人数
                Min_age = min(Age, na.rm = TRUE), # 统计各舱乘客的最小年龄
                Max_age = max(Age, na.rm = TRUE), # 统计各舱乘客的最大年龄
                Avg_price = mean(Fare) # 统计各舱的平均价格
                   )
# 数据预览
View(stats4)