R语言ETL系列：汇总（summarise）

作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

本章讲解如何使用summarise函数完成数据的汇总。在开讲之前，我们需要理解，什么叫做汇总。举个例子，如果我们现在对学校的学生身高进行了测量，我们需要得到学生的平均身高，那么我们把所有学生的身高加起来，除以学生的数量，得到身高平均值，这就完成了一个汇总计算。汇总计算的方式多种多样，比如我们要得到最高的身高是多少，最低的身高是多少，身高是中位数是多少，这些都是汇总计算。
在数据表中，数据的汇总的实质就是：我们根据一列数据（本质来说是一个向量），得到一个值，来反映总体在这个属性上的特征。本章会用到R语言自带cars数据集，下面我们先加载需要的包，并把cars转化为tibble，存放在cars1变量中。它只包含两列数据，第一列是汽车的即时速度，第二列是这个速度下要停止下来会继续跑多远。

 1library(tidyverse)
 2cars %>% as_tibble() -> cars1
 3cars1
 4## # A tibble: 50 x 2
 5##    speed  dist
 6##    <dbl> <dbl>
 7##  1     4     2
 8##  2     4    10
 9##  3     7     4
10##  4     7    22
11##  5     8    16
12##  6     9    10
13##  7    10    18
14##  8    10    26
15##  9    10    34
16## 10    11    17
17## # ... with 40 more rows

汇总基本范式

均值和中位数代表了数据的一般水平，是重要的衡量指标。下面我们看看如何汇总测试的平均值和中位数。

 1#平均速度
 2cars1 %>%
 3  summarise(mean(speed))
 4## # A tibble: 1 x 1
 5##   `mean(speed)`
 6##           <dbl>
 7## 1          15.4
 8#速度的中位数
 9cars1 %>% 
10  summarise(median(speed))
11## # A tibble: 1 x 1
12##   `median(speed)`
13##             <dbl>
14## 1              15

SQL代码分别为：

<SQL> SELECT AVG(`speed`) AS `mean(speed)`
FROM `cars1`

<SQL> SELECT MEDIAN(`speed`) AS `median(speed)`
FROM `cars1`

注意，我们这里没有给最后的结果命名，因此结果中默认原来的值为命名，也就是说mean(speed)成为了列的名称，事实上我们可以通过赋值来改变它，例子如下：

1cars1 %>%
2  summarise(speed_avg = mean(speed))
3#