지난번 포스팅에서는 row나 column 기준으로 GroupBy의 Group을 지정할 수 있는 4가지 방법으로 Dicts, Series, Functions, Index Levels 를 소개하였습니다. 


이번 포스팅에서는 Python pandas에서 연속형 변수의 기술통계량 집계를 할 수 있는 GroupBy 집계 메소드와 함수 (GroupBy aggregation methods and functions)에 대해서 소개하겠습니다. 


(1) GroupBy 메소드를 이용한 집계 (GroupBy aggregation using methods): (ex) grouped.sum()

(2) 함수를 이용한 GroupBy 집계 (GroupBy aggregation using functions): grouped.agg(function)



[ Python pandas Group By 집계 메소드와 함수 ]



pandas에서 GroupBy 집계를 할 때 (1) pandas에 내장되어 있는 기술 통계량 메소드를 사용하는 방법과, (2) (사용자 정의) 함수를 grouped.agg(function) 형태로 사용하는 방법이 있습니다. GroupBy 메소드는 성능이 최적화되어 있어 성능면에서 함수를 사용하는 것보다 빠르므로, 메소드가 지원하는 집단별 기술통계량 분석 시에는 메소드를 이용하는게 좋겠습니다. 


NA 값은 모두 무시되고 non-NA 값들에 대해서만 GroupBy method가 적용됩니다. 


기술 통계량들이 어려운게 하나도 없으므로 이번 포스팅은 좀 쉬어가는 코너로 가볍게 소개합니다. 설명에 사용한 간단한 예제 데이터프레임과 'group'변수를 대상으로 GroupBy object를 만들어보겠습니다. 



# Importing common libraries

import numpy as np

import pandas as pd


# sample DataFrame

df = pd.DataFrame({'group': ['a', 'a', 'a', 'b', 'b', 'b'], 

                  'value_1': np.arange(6), 

                 'value_2': np.random.randn(6)})

df

groupvalue_1value_2
0a0-1.739302
1a10.851955
2a20.874874
3b3-0.461543
4b40.880763
5b5-0.346675




# Making GroupBy object

grouped = df.groupby('group')

grouped

<pandas.core.groupby.DataFrameGroupBy object at 0x11136f550>




  (1) GroupBy 메소드를 이용한 집계 (GroupBy aggregation using methods)


(1-1) count(), sum()

count(): 그룹 내 non-NA 개수 

sum(): 그룹 내 non-NA 합 

 

grouped.count()

value_1value_2
group
a33
b33


grouped.sum() # DataFrame

value_1value_2
group
a3-0.012473
b120.072545


*cf. grouped.size() 도 grouped.count()와 동일한 결과를 반환함



위의 예에서 보면 'value_1', 'value_2' 변수가 숫자형이므로 pandas가 알아서 잘 찾아서 count()와 sum()을 해주었으며, 반환된 결과는 데이터프레임입니다. 



만약 특정 변수에 대해서만 그룹별 요약/집계를 하고 싶다면 해당 변수를 indexing해주면 되며, 한개 변수에 대해서만 GroupBy 집계를 하면 반환되는 결과는 Series가 됩니다. 한개 변수에 대해 GroupBy 집계해서 나온 Series를 데이터프레임으로 만들고 싶으면 pd.DataFrame() 를 사용해서 집계 결과를 데이터프레임으로 변환해주면 됩니다. 



grouped.sum()['value_2'] # Series

group

a   -0.012473
b    0.072545 

Name: value_2, dtype: float64



pd.DataFrame(grouped.sum()['value_2']) # DataFrame 

value_2
group
a-0.012473
b0.072545





(1-2) 최소값, 최대값: min(), max()

min(): 그룹 내 non-NA 값 중 최소값 

max(): 그룹 내 non-NA 값 중 최대값 

 

grouped.min()

value_1value_2
group
a0-1.739302
b3-0.461543



grouped.max()

value_1value_2
group
a20.874874
b50.880763





(1-3) 중심 경향: mean(), median()

mean(): 그룹 내 non-NA 값들의 평균값 

median(): 그룹 내 non-NA 값들의 중앙값 

 

grouped.mean()

value_1value_2
group
a1-0.004158
b40.024182



grouped.median()

value_1value_2
group
a10.851955
b4-0.346675





(1-4) 퍼짐 정도: std(), var(), quantile()


표준편차, 분산 계산에 n-1 자유도를 사용했으므로 샘플표준편차, 샘플분산으로 봐야겠네요. 

quantile() 의 괄호 안에 0~1 사이의 값을 넣어주면 분위수를 계산해주며, 최소값과 최대값을 등분하여 그 사이를 interpolation 하여 분위수를 계산하는 방식입니다. 


std(): 그룹 내 표준편차

var(): 그룹 내 분산

quantile(): 그룹 내 분위수 


grouped.std() 

value_1value_2
group
a1.01.502723
b1.00.744042



grouped.var()

value_1value_2
group
a12.258176
b10.553598

 

 # interpolation

grouped.quantile(0.1) 

0.1value_1value_2
group
a0.2-1.221051
b3.2-0.438569




(1-5) first(), last()

first(): 그룹 내 non-NA 값 중 첫번째 값 

last(): 그룹 내 non-NA 값 중 마지막 값 

 

grouped.first()

value_1value_2
group
a0-1.739302
b3-0.461543


 

grouped.last()

value_1value_2
group
a20.874874
b5-0.346675





(1-6) describe()

describe(): 그룹 별 기술통계량 

- 옆으로 길게

 describe().T: 그룹 별 기술통계량 

- 세로로 길게

 

grouped.describe()['value_1']

countmeanstdmin25%50%75%max
group
a3.01.01.00.00.51.01.52.0
b3.04.01.03.03.54.04.55.0


 

grouped.describe()['value_1'].T

groupab
count3.03.0
mean1.04.0
std1.01.0
min0.03.0
25%0.53.5
50%1.04.0
75%1.54.5
max2.05.0





  (2) 함수를 이용한 GroupBy 집계: grouped.agg(function)


필요로 하는 집계함수가 pandas GroupBy methods에 없는 경우 사용자 정의 함수를 정의해서 집계에 사용할 수 있습니다. IQR(Inter-Quartile Range, Q3 - Q1) 를 사용자 정의 함수로 정의하고, 이를 grouped.aggregate() 혹은 grouped.agg() 의 괄호 안에 넣어서 그룹 별로 IQR를 계산해보겠습니다. 



def iqr_func(x):

    q3, q1 = np.percentile(x, [75, 25])

    iqr = q3 - q1

    return iqr




grouped.aggregate(function) 

grouped.agg(function) 

 

grouped.aggregate(iqr_func)

value_1value_2
group
a11.307088
b10.671153


 

grouped.agg(iqr_func)

value_1value_2
group
a11.307088
b10.671153



위에서 사용자 정의함수로 정의해서 그룹별로 집계한 결과가 맞게 나온건지 quantile() 메소드로 그룹별 Q3 와 Q1을 계산해서 확인해보니, 위의 grouped.agg(iqr_func)가 잘 계산한거 맞네요. 



grouped.quantile([0.75, 0.25])

value_1value_2
group
a0.751.50.863414
0.250.5-0.443674
b0.754.50.267044
0.253.5-0.404109

 


다음번 포스팅에서는 grouped.agg() 의 좀더 다양한 사용법을 소개하겠습니다. 


많은 도움이 되었기를 바랍니다. 

Posted by R Friend R_Friend

일변량 연속형 자료에 대해 기술통계량(descriptive statistics)을 이용한 자료의 요약과 정리는 크게

 

- (1) 중심화 경향 (central tendency)

  : 산술평균, 중앙값, 최빈값, 기하평균, CAGR, 조화평균, 가중평균

 

- (2) 퍼짐 정도 (dispersion)

  : 분산, 표준편차, 변이계수, 범위, IQR, 백분위수

 

- (3) 분포형태와 대칭정도 (distribution)

  : 왜도, 첨도, 분위수-분위수 

 

의 3가지로 구분할 수 있습니다.

 

 

이번 포스팅에서는 일변량 연속형 자료의 (1) 중심화 경향에 대해 통계 이론과 활용 상의 주의점을 알아보고, R 함수를 가지고 예를 들어보겠습니다. 

 

일반적으로 많이 사용되는 산술평균, 중앙값, 최빈값을 먼저 살펴보겠습니다.

 

이어서 산술평균의 함정의 주의사항과 함께 기하평균, 연평균성장률, 조화평균, 가중평균을 언제 사용해야 하는지, 어떻게 계산하는지를 차례로 알아보겠습니다.

 

 

[ 산술통계량(descriptive statistics)과 R function ]

 

 산술통계

 통계량 (statistics)

R function 

 중심화 경향

(central

tendency)

 산술평균 (arithmetic mean)

 mean()

 중앙값 (median)  median()
 최빈값 (mode)

 which.max(table())

 기하평균 (geometric mean)

 prod(x)^(1/n)1/mean(1/x)

where, n = length(x)

 연평균성장률 (CAGR

 : Componded Average Growth Rate)

 (FV/IV)^(1/n)-1

where, IV : initial value of an investment
          FV : final value  of an investment
          n : investment periods

 조화평균 (harmonic mean)

 1/mean(1/x)

 가중평균 (weighted average)

 weighted.mean()

 퍼짐 정도

(dispersion)

 분산 (variance)

 var()

 표준편차 (standard deviation)  sd()

 변이계수 (coefficient of variation)

 100*sd(x)/mean(x)

 범위 (range)

 diff(range())

 IQR (Inter Quartile Range)

 IQR()

 최소값 (min)

 min()

 최대값 (max)

 max()
 백분위수(percentile)

 quantile(x, probs=c(,,,,))

 분포형태와

대칭정도

(distribution)

 왜도 (skewness)

 skewness(), fBasics package

 첨도 (kurtosis)

 kurtosis(), fBasics package

 분위수-분위수(Quantile-Quantile)

 qqnorm(), qqline(), qqplot()

※ 중심화 경향, 퍼짐 정도, 분포형태와 대칭정도의 통계량을 함께 봐야함

※ 통계량과 함께 그래프를 함께 봐야함

 

 

R 실습에는 MASS 패키지 내 Cars93 데이터의 가격(Price) 변수를 활용하겠습니다.

 

> library(MASS)
> str(Cars93)
'data.frame':	93 obs. of  27 variables:
 $ Manufacturer      : Factor w/ 32 levels "Acura","Audi",..: 1 1 2 2 3 4 4 4 4 5 ...
 $ Model             : Factor w/ 93 levels "100","190E","240",..: 49 56 9 1 6 24 54 74 73 35 ...
 $ Type              : Factor w/ 6 levels "Compact","Large",..: 4 3 1 3 3 3 2 2 3 2 ...
 $ Min.Price         : num  12.9 29.2 25.9 30.8 23.7 14.2 19.9 22.6 26.3 33 ...
 $ Price             : num  15.9 33.9 29.1 37.7 30 15.7 20.8 23.7 26.3 34.7 ...
 $ Max.Price         : num  18.8 38.7 32.3 44.6 36.2 17.3 21.7 24.9 26.3 36.3 ...
 $ MPG.city          : int  25 18 20 19 22 22 19 16 19 16 ...
 $ MPG.highway       : int  31 25 26 26 30 31 28 25 27 25 ...
 $ AirBags           : Factor w/ 3 levels "Driver & Passenger",..: 3 1 2 1 2 2 2 2 2 2 ...
 $ DriveTrain        : Factor w/ 3 levels "4WD","Front",..: 2 2 2 2 3 2 2 3 2 2 ...
 $ Cylinders         : Factor w/ 6 levels "3","4","5","6",..: 2 4 4 4 2 2 4 4 4 5 ...
 $ EngineSize        : num  1.8 3.2 2.8 2.8 3.5 2.2 3.8 5.7 3.8 4.9 ...
 $ Horsepower        : int  140 200 172 172 208 110 170 180 170 200 ...
 $ RPM               : int  6300 5500 5500 5500 5700 5200 4800 4000 4800 4100 ...
 $ Rev.per.mile      : int  2890 2335 2280 2535 2545 2565 1570 1320 1690 1510 ...
 $ Man.trans.avail   : Factor w/ 2 levels "No","Yes": 2 2 2 2 2 1 1 1 1 1 ...
 $ Fuel.tank.capacity: num  13.2 18 16.9 21.1 21.1 16.4 18 23 18.8 18 ...
 $ Passengers        : int  5 5 5 6 4 6 6 6 5 6 ...
 $ Length            : int  177 195 180 193 186 189 200 216 198 206 ...
 $ Wheelbase         : int  102 115 102 106 109 105 111 116 108 114 ...
 $ Width             : int  68 71 67 70 69 69 74 78 73 73 ...
 $ Turn.circle       : int  37 38 37 37 39 41 42 45 41 43 ...
 $ Rear.seat.room    : num  26.5 30 28 31 27 28 30.5 30.5 26.5 35 ...
 $ Luggage.room      : int  11 15 14 17 13 16 17 21 14 18 ...
 $ Weight            : int  2705 3560 3375 3405 3640 2880 3470 4105 3495 3620 ...
 $ Origin            : Factor w/ 2 levels "USA","non-USA": 2 2 2 2 2 1 1 1 1 1 ...
 $ Make              : Factor w/ 93 levels "Acura Integra",..: 1 2 4 3 5 6 7 9 8 10 . 

 

 

아래의 Histogram, Kernel density curve plot을 보면 Price 는 왼쪽으로 치우쳐있고 오른쪽으로 꼬리가 긴 분포 형태를 띠고 있음을 알 수 있습니다.

 

> # histogram, kernel density curve > hist(Cars93$MPG.highway, freq=FALSE, breaks=30) > > hist(Cars93$Price, freq=FALSE, breaks=20) > lines(density(Cars93$Price), col="red", lty=3)

 

 

 

 

중심화 경향, 대표값으로 산술평균, 중앙값, 최빈값을 많이 사용하는데요, 모두 나름의 특징과 한계를 가지고 있습니다.  따라서 어느 하나의 통계량이 다른 통계량보다 우수하다거나 더 좋다고 말할 수는 없으며, 분석 목적, 분석 대상 자료의 특성, 업의 특성 등을 종합적으로 감안하여 조심해서 사용, 해석해야 합니다.  그리고 반드시 퍼짐 정도와 분포형태/대칭정도를 나타내는 통계량과 그래프를 병행해서 분석을 해야 왜곡된 해석을 피할 수 있습니다.  아래 개념을 정확히 이해하지 못할 경우 통계를 가지고 사기치는 지능범에게 당하는 수가 있으니 꼭 알아두어야할 기본 개념이 되겠습니다.

 

 

(1) 산술평균 (arithmetic mean, average) : mean()

 

우리들이 일반적으로 "평균"이라고 말할 때 사용하는 것이 바로 "산술평균(arithmetic mean)"입니다.  평균에는 "산술평균" 말고도 "기하평균", "조화평균", "가중평균" 등 여러 종류가 있습니다.

 

산술평균은 모집단이 정규분포를 띠고 있을 때 가장 적합한 중심화 경향 통계량이라고 할 수 있습니다.

 

달리 말하면, 분포 형태가 한쪽으로 치우쳐 있다든지, 이상값(outlier)가 있으면 영향을 크게 받으므로 사용에 주의를 요하는 통계량이라고 할 수 있습니다.  이럴 경우에는 정규분포로 변환을 하거나 이상값(outlier)를 제거한 후에 산술평균을 계산하는 것이 바람직한 조치라고 하겠습니다.

 

> # mean : mean()
> mean(Cars93$Price)
[1] 19.50968

 

 

 

(2) 중앙값 (median) : median()

 

 

중앙값은 이상치(outlier)에 덜 민감(robust)하므로 이번 예제처럼 오른쪽으로 긴 꼬리 부분에 초고가(extremely high price)의 차량이 소수 있는 경우의 분포에는 산술평균보다 더 적합한 통계량이라고 할 수 있겠습니다.

 

> # median : median()
> median(Cars93$Price)
[1] 17.7

 

 

(3) 최빈값 (mode) : which.max(table())

 

 

최빈값은 연속형 데이터를 가지고 바로 적용해서는 안되며, 사전에 범주형 데이터로 변환을 한 후에, 도수분포표(frequency distribution table)을 작성해서,  도수가 가장 많은 구간(class)을 선정하면 되겠습니다.

 

> # mode : which.max(table())
> Cars93 <- within(Cars93, {
+   Price_cd = character()
+   Price_cd[Price < 10] = "5_10"
+   Price_cd[Price >= 10 & Price < 15] = "10_15"
+   Price_cd[Price >= 15 & Price < 20] = "15_20"
+   Price_cd[Price >= 20 & Price < 25] = "20_25"
+   Price_cd[Price >= 25 & Price < 30] = "25_30"
+   Price_cd[Price >= 30 & Price < 35] = "30_35"
+   Price_cd[Price >= 35 & Price < 40] = "35_40"
+   Price_cd[Price >= 40 & Price < 45] = "40_45"
+   Price_cd[Price >= 45 & Price < 50] = "45_50"
+   Price_cd[Price >= 50 & Price < 55] = "50_55"
+   Price_cd[Price >= 55 & Price < 60] = "55_60"
+   Price_cd[Price >= 60 ] = "60_65"
+   Price_cd = factor(Price_cd, level=c("5_10", "10_15", "15_20", "20_25", "25_30", "30_35", 
+                                       "35_40", "40_45", "45_50", "50_55", "55)60", "60_65"))
+ })
> 
> table(Cars93$Price_cd)

 5_10 10_15 15_20 20_25 25_30 30_35 35_40 40_45 45_50 50_55 55)60 60_65 
   10    23    28    11     8     6     4     1     1     0     0     1 
> 
> which.max(table(Cars93$Price_cd))
15_20 
    3 

 

 

3번째 구간인 '15~20' 구간에서 도수가 28개로 가장 많이 나왔으므로, 최빈값은 '15~20' 구간이 되겠습니다.

 

===================================================== d^_^b ===================================================== 

 

아래의 기하평균, CAGR, 조화평균, 가중평균은 우리들이 일상생활에서 산술평균 대비 많이 사용하지는 않습니다만, 산술평균과 많이 헷갈리게 사용하기도 하고, 혹은 산술평균을 적용하면 안되는 상황임에도 아래의 다른 평균을 몰라서 산술평균을 잘못 적용하기도 합니다.  어떠한 상황에서 무슨 대표 통계량을 이용하는지 파악해두면 유용하겠지요?!

 

(4) 기하평균 (geometric mean) : prod(x)^(1/n), where n = length(x)

 

기하평균은 인구성장률, 투자이율과 같이 성장률 평균을 산출할 때 사용합니다. 성장률 평균 산출 시 산술평균을 사용하면 안됩니다. 복리 개념의 성장률은 면적의 개념으로 접근을 해야 하므로 기하평균을 사용하게 됩니다.

 

 

문제) 작년 이율이 1%, 올해 이율이 5%인 복리정기예금의 2년간 평균 이율은?

  • 산술평균 = (1.01 + 1.05)/2 = 1.03, 즉 3.0%  (삐이~ 잘못된 계산임)
  • 기하평균 = (1.01*1.05)^(1/2) = 1.029806, 즉 2.98% (제대로된 계산임)

 

위의 문제를 R로 풀어보면 아래와 같습니다.

 

> # geometric mean
> x <- c(1.01, 1.05) # interest rate of 1st and 2nd year
> prod(x) # 1st year rate x 2nd year rate
[1] 1.0605
> n <- length(x) # length of x vector
> 
> prod(x)^(1/n) # geometric mean
[1] 1.029806

 

 

 

(5) 연평균성장률 (CAGR : componded average growth rate) : (FV/IV)^(1/n)-1

      where, IV : initial value of an investment, FV : final value  of an investment, n : investment periods

 

 

아래 A, B라는 두 회사의 6년간의 매출액과 전년도 대비 성장률을 가지고 예를 들어보겠습니다. 

 

문제) A 회사는 2010년도 부터 해서 100억, 150억, 190억, 250억, 290억, 350억원의 매출을 올렸습니다. 

그러면 이 회사의 6년에 걸친 매출액의 연평균성장률은 얼마일까요?  매년 균등하게 몇 %씩 성장했을까요?

산술평균(arithmetic mean)으로 계산하면 29.0% 인데요, 이게 맞는 연평균성장률일까요? 땡~ 틀렸습니다. 

정답은 기하평균 개념을 적용한 CAGR 28.5% 가 되겠습니다.

 

Company B가 매년 똑같이 28.5%씩 성장한 회사인데요, 2010년도에 100억원에서 시작해서 매년 28.5%씩 성장했더니 2015년에 350억원의 매출이 되어있는 것을 확인할 수 있습니다.

 

 

예제의 CAGR을 R로 계산해보겠습니다.

 

 

> # CAGR (Compound Average Growth Rate) > IV <- c(100) # initial value of revenue > FV <- c(350) # final value of reveune > n <- c(5) # number of year > CAGR_rev <- (FV/IV)^(1/n) - 1 # CAGR > CAGR_rev [1] 0.2847352

 

 

 

 

(6) 조화평균 (harmonic mean) : 1/mean(1/x)

 

 

조화평균(harmonic mean)은 생산성, 효율 등의 평균 산출 시에 사용합니다.

 

문제) 집에서 학교까지 편도 30km 거리를 갈 때는 시속 30km/h 인 자전거를 타고 갔고, 올 때는 시속 90km/h 인 자동차를 타고 왔을 때 왕복 평균 시속은?

 

 

위 문제를 산술평균으로 풀어서 만약 (30 + 90)/2 = 60 km/h 라고 한다면, 땡~! 틀린 답입니다.

 

집과 학교 왕복거리는 총 60km 이고, 이때 걸린 시간은 집에서 학교까지 1시간 (30km거리를 시속 30km/h 로 갔으니깐), 학교에서 집으로 오는데 20분 (30km 거리를 시속 90km/h로 왔으니깐) 걸려서 총 1시간 20분이 걸렸습니다. 즉, 올바른 평균 시속은 60/1.333 = 약 45km/h 가 되겠습니다.  이 문제룰 계산할 때 사용하는 평균이 조화평균이 되겠습니다.

 

 

> # harmonic mean : 1/mean(1/x)
> km_per_hour <- c(30, 90)
> 
> arithmetic_mean <- mean(km_per_hour)
> arithmetic_mean # wrong answer
[1] 60
> 
> harmonic_mean <- 1/mean(1/km_per_hour)
> harmonic_mean # correct answer
[1] 45

 

 

 

 

(7) 가중평균 (weighted average) : weighted.mean()

 

가중평균(weighted average)은 확률, 가중치를 수반하는 평균을 산출할 때 사용합니다.

 

 

문제 1) 홍길동씨가 A, B, C 3개 회사 주식에 각각 700만원, 200만원, 100만원씩 총 1,000만원을 투자하여, 각 회사별로 투자 수익율이 15%, 9%, 5% 나왔다. 그러면 홍길동씨의 주식 투자 평균 수익률은?

 

 

산술평균으로 계산하면 0.097%이지만 이는 틀린 답입니다.  각 회사별로 주식투자한 금액의 비율(여기서는 weight) 가 서로 다르므로, 수익율에다가 투자금의 비율을 가중평균한 값 12.8%가 답이 되겠습니다.

 

R을 가지고 가중평균을 구할 때는 가중평균의 정의에 맞추어서 계산을 직접해도 되며 (아래 예제의 첫번째 경우), weighted.mean() 함수를 사용(아래 예제의 두번째 경우)해도 되겠습니다.

 

 
> # Q1
> # weighted mean
> weighted_earning_rate_1 <- (0.7*0.15 + 0.2*0.09 + 0.1*0.05)/(0.7 + 0.2 + 0.1)
> weighted_earning_rate_1
[1] 0.128
> 
> investment <- data.frame(weight=c(0.7, 0.2, 0.1), earning_rate=c(0.15, 0.09, 0.05))
> weighted_earning_rate_2 <- weighted.mean(investment$earning_rate, investment$weight)
> weighted_earning_rate_2
[1] 0.128

 

 

 

 

문제 2) 알코올 도수 9%인 와인 200ml와 알코올 도수 21%인 소주 1000ml를 섞어서 와소 폭탄주를 만들었다.  와소 폭탄주의 평균 알코올 도수는?

 

 

와소 폭탄주의 평균 알코올 도수 정답은 알코올 도수와 양을 가지고 가중평균으로 구한 19%가 되겠습니다.  

 

R에서는 가중평균의 정의에 따라서 공식에 대해서서 구할 수도 있고 (아래 예의 첫번째 경우), 아니면 weighted.mean() 함수를 사용(아래 예이 두번째 경우)해서 구해도 됩니다.

 

 
> # Q2
> weighted_alcohol_mean_1 <- (200*0.09 + 1000*0.21)/(200+1000)
> weighted_alcohol_mean_1
[1] 0.19
> 
> alcohol <- data.frame(volume=c(200, 1000), alcohol_rate=c(0.09, 0.21))
> weighted_alcohol_mean_2 <- weighted.mean(alcohol$alcohol_rate, alcohol$volume)
> weighted_alcohol_mean_2
[1] 0.19
 

 

다음번 포스팅에서는 퍼짐 정도 (dispersion) 에 대한 통계량에 대해서 소개하겠습니다.

 

중심화 경향과 퍼짐 정도가 다른 두 데이터셋을 표준화하는 방법은 아래의 포스팅을 참고하시기 바랍니다.

 

☞  R 데이터 변환 (1) 표준화 : z 표준화 변환, [0-1] 변환

 

 

많은 도움이 되었기를 바랍니다. 

 

이번 포스팅이 도움이 되었다면 아래의 '공감 ~♡'를 꾸욱 눌러주세요. ^^

 

 

Posted by R Friend R_Friend

통계는 크게 표본의 (a) 도수 분포와 중심화 경향, 그리고 퍼짐 정도를 측정하여 집단의 특성에 대해서 기술하는 기술통계(descriptive statistics)와, (b) 기술통계량을 가지고 모집단의 parameter 값 (모평균, 모분산 등)을 추정하고 가설을 검증하는 추정통계(inferential statistics)로 구분할 수 있습니다.

 

이번 포스팅에서는 R에서 벡터를 대상으로 사용할 수 있는 기술 통계 관련 함수에 대해서 알아보겠습니다.

 

R 기술통계 함수

 

-- 분포 및 중심화 경향 --

 

(1) 평균 : mean(x)

 

> x <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
> mean(x)
[1] 5.5 

 

 

(2) 중앙값 : median(x)

 

> x <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
> median(x)
[1] 5.5
> y <- c(1, 2, 3, 4, 5, 6, 7, 8, 9)
> median(y)
[1] 5

 

벡터 x가 홀수개이면 정 가운데 값을 중앙값을 가져오지만, 위의 case와 같이 x가 짝수개 이면 정가운데의 양쪽 두개의 값을 가져다가 평균을 내서 중앙값을 계산합니다.

 

 

(3) 최소값 : min(x)

 

> min(x)
[1] 1
> min(y)
[1] 1 

 

 

which.min(my_vec) 은 최소값이 있는 위치의 index 를 반환합니다. NA가 포함되어 있는 vector의 경우 min(my_vec) 이 NA를 반환한데 반해서 (NA에 대한 전처리 필요), my_vec[wich.min(my_vec)] 처럼 최소값을 ndexing을 해오면 '-12'를 반환했습니다.

 

 

> my_vec <- c(-5, 3, 10, 3, -12, NA)
> my_vec
[1]  -5   3  10   3 -12  NA
> 
> min(my_vec)
[1] NA
> 
> which.min(my_vec) # index of min value in 'my_vec' vector
[1] 5
> 
> my_vec[which.min(my_vec)]
[1] -12

 

 

 

 

(4) 최대값 : max(x)

 

> max(x)
[1] 10
> max(y) 

 

> my_vec <- c(-5, 3, 10, 3, -12, NA)
> my_vec
[1]  -5   3  10   3 -12  NA
> 
> max(my_vec)
[1] NA
> 
> which.max(my_vec) # index of max value in 'my_vec' vector
[1] 3
> 
> my_vec[which.max(my_vec)]
[1] 10 

 

 

 

(5) 범위 : range(x)

 

> range(x)
[1]  1 10
> range(y)
[1] 1 9 

 

 

(6) IQR(Inter-Quartile Range) : IQR(x)

 

> IQR(x)
[1] 4.5
> IQR(y)
[1] 4 

 

 

(7) 중심화 경향 및 분포 요약 : summary(x)

 

> summary(x)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00    3.25    5.50    5.50    7.75   10.00 

 

숫자형 벡터의 경우 summary() 함수가 위의 1번에서 6번까지 함수를 한번에 처리할 수 있는 유용한 함수가 되겠습니다.

 

 

-- 퍼짐 정도 --

 

(8) 분산 : var(x)

 

> var(x)
[1] 9.166667
> var(y)
[1] 7.5 

 

 

(9) 표준편차 : sd(x)

 

> sd(x); sd(y)
[1] 3.02765
[1] 2.738613 

 

참고) 세미콜론 ';' 을 사용하면 같은 줄에 R 명령어를 연속으로 해서 쓸 수 있습니다

 

 

-- 확률분포의 비대칭 정도 --

 

(10) 왜도

 

> install.packages("fBasics") # 왜도, 첨도 분석 가능한 package 설치 > library(fBasics) # package 호출 > hist(mtcars$mpg)

 

 

 

 

 

 

> skewness(mtcars$mpg) [1] 0.610655 attr(,"method") [1] "moment"

 

 

R에 왜도와 첨도를 위한 함수가 내장되어 있지 않기 때문에 별도 패키지(fBasics)를 설치해야 합니다.

자동차 정보가 들어있는 mtcars 데이터 프레임의 연비에 대해서 히스토그램을 그려보니 평균보다 왼쪽으로 치우쳐 있고 오른쪽으로 꼬리가 긴 분포를 띠고 있네요. 그러면 왜도(skewness) 가 '0'보다 크게 나타납니다. (공식이 평균에서 관측치를 뺀 값을 3제곱 하기 때문이예요) 위 예에서는 왜도가 0.61로 '0'보다 크게 나왔지요. 정규분포의 평균과 일치하면 왜도는 '0'이 되고, 반대로 평균보다 오른쪽으로 값이 치우쳐 있고 왼쪽으로 꼬리가 길면 왜도는 '0'보다 작은 값이 나옵니다.

 

 

(11) 첨도

 

> kurtosis(mtcars$mpg)
[1] -0.372766
attr(,"method")
[1] "excess"

 

관측값이 정규분포보다 뾰쪽한가 아닌가를 가늠하는 쳑도가 첨도입니다. '3'보다 크면 정규분포보다 더 뾰족한 모양이고, '3'보다 작으면 정규분포보다 덜 뾰족한 모양이라고 해석하면 되겠습니다. (패키지에 따라서는 '3'을 빼서 '0'으로 표준화해서 값을 제시하기도 합니다)

 

 

-- 기타 함수 --

 

(12) 합 : sum(x)

 

> sum(x)
[1] 55
> sum(y)
[1] 45

 

 

(13) n차 차분 : diff(x, lag=n)

 

> diff(x, lag=1)
[1] 1 1 1 1 1 1 1 1 1
> diff(x, lag=2)
[1] 2 2 2 2 2 2 2 2
> diff(x, lag=3)
[1] 3 3 3 3 3 3 3 

 

관측값에서 직전 관측값을 뺀 차분을 구하는 함수입니다. 시계열분석할 때 정상화하기 위해서 차분을 이용하는데요, 시차(lag)를 분석 목적에 따라 또 데이터 특성에 따라서 입력해주면 됩니다. 디폴트는 lag=1 이 되겠습니다.

 

 

(14) 길이, 관측값 개수 : length()

 

> # 벡터에 length() 사용 시
> length(x)
[1] 10
> length(y)
[1] 9 
> 

> # 데이터 프레임에 length()사용 시

> length(mtcars)
[1] 11
> 

> # 데이터 프레임의 특정 변수에 length($) 사용 시

> length(mtcars$mpg)
[1] 32

 

벡터에서 length()는 관측값 개수를 계산해서 보여줍니다.

데이터 프레임에서는 column 개수를 나타내주고요, 데이터 프레임의 특정 변수를 지정하면 그 특정 변수의 관측값의 개수를 세서 보여줍니다.

 

 

(15) 순위 : rank()

 

> rank(x) [1] 1 2 3 4 5 6 7 8 9 10 >
>
rank(-x) [1] 10 9 8 7 6 5 4 3 2 1 >

> mtcars$mpg
 [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4 10.4 14.7 32.4 30.4 33.9 21.5 15.5
[23] 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7 15.0 21.4

>

> rank(mtcars$mpg, 
+      na.last = TRUE, 
+      ties.method = c("max"))
 [1] 20 20 25 22 15 14  4 26 25 17 13 11 12  8  2  2  5 31 30 32 23  9  8  3 17 28 27 30 10 18  6 22

 

> ##----------------------- > ## rank() {base package} > ##----------------------- > > # if there are no ties(i.e., equal values), no problem at all > x <- c(1, 5, 9, 7) > rank(x) [1] 1 2 4 3 > > > # if there are ties, ties can be handled in several ways > y <- c(1, 1, 1, 5, 9, 7) > > # returns average, default setting > rank(y) [1] 2 2 2 4 6 5 > rank(y, ties.method = c("average")) [1] 2 2 2 4 6 5 > > # first occurrence wins > rank(y, ties.method = c("first")) [1] 1 2 3 4 6 5 > > # ties broken at random > rank(y, ties.method = c("random")) [1] 3 2 1 4 6 5 > > rank(y, ties.method = c("random")) # ...random one more time [1] 1 3 2 4 6 5 > > rank(y, ties.method = c("random")) # ...random...again [1] 1 2 3 4 6 5 > > # rank by max value as used classically > rank(y, ties.method = c("max")) [1] 3 3 3 4 6 5 > > # rank by min value as in Sports > rank(y, ties.method = c("min")) [1] 1 1 1 4 6 5

 

rank는 순위대로 정렬해주는게 아니라 순위의 색인을 나타내줍니다.

디폴트는 작은 값부터 1을 부여해주고, 큰 것 부터 1을 부여하려면 '-'를 붙여주면 됩니다.

 

동일한 값(Ties, i.e, equal values)이 있을 경우 rank() 함수는 "average" (default), "first", "random", "max", "min" 등의 옵션을 제공합니다.

 

이번 포스팅이 도움이 되었다면 아래의 '공감 ~♡' 단추를 꾸욱 눌러주세요.

 

Posted by R Friend R_Friend