Der Split-Apply-Combine Approach

Der sogenannte Split-Apply-Combine Approach in eine sehr mächtige Codingstrategie. Er wendet in summarize() oder mutate() gewrappte Funktionen getrennt auf Untergruppen des Datensatzes an und führt die Ergebnisse anschließend wieder zusammen:

https://rstudio.github.io/cheatsheets/

MW und SD der bill-Variablen je Species

TipBeispielstudie

Angenommen ein Forscher:innenteam möchte Mittelwert und Standardabweichungen der bill-Variablen je Spezies berichten - was wäre eine geeignete Syntax?

1penguins %>%
2  group_by(species) %>%
3  summarize(
    bill_length_mean = mean(bill_length_mm, na.rm = T),   
    bill_depth_mean = mean(bill_depth_mm, na.rm = T),     
    bill_length_sd = sd(bill_length_mm, na.rm = T) ,      
    bill_depth_sd = sd(bill_depth_mm, na.rm = T))         

1

Nimm das Objekt/den Datensatz penguins und

2

Splitte ihn Unterdatensätz je nach Ausprägung von species

3

Berechne Zusammenfassungen von Variablen

Übung 1

Führen Sie die den obigen Code aus. Diskutieren Sie die Größe der Mittelwertsunterschiede als »bedeutsam« bezeichnen würden.

TipEine Lösung

bill_length unterscheidet sich bspw. zwischen Adelie und Chinstrap um ca. 10mm. Nimmt man an, dass die bill_length normalverteilt ist, entspricht das bei einer \(\overline{SD} \approx 3\) einem Cohen’s \(d \approx 3.3\), also liegen 99.9% der Bills der Gentoo länger als der durchschnittliche Adelie Bill bzw. die beiden Gruppen überlappen nur zu 9,9% (interaktive Übersicht).

rowwise als Extremfall

Man kann mit der Funktion rowwise() den Datensatz in so viele Teildatensätze aufteilen wie er Zeilen hat. Das ist für Sozialwissenschaftler:innen sehr nützlich, um z.B. Skalenwerte zu bilden. Möchte man etwa den Mittelwert von z-standandardisierten bill-Variablen berechnen, kann man in mutate() nicht mean() verwenden, da dies ja eine summary-Funktion ist und den Mittelwert der ganzen Spalte berechnen würde. Daher verwendet man besser rowwise() im Zusammenhang mit c_across():

penguins %>%                                                                 
  mutate(bill_length_z = (bill_length_mm - mean(bill_length_mm, na.rm = T))/
           sd(bill_length_mm, na.rm = T),
         bill_depth_z = (bill_depth_mm - mean(bill_depth_mm, na.rm = T))/
           sd(bill_depth_mm, na.rm = T)) %>% 
  rowwise() %>%
  mutate(bills_z_mean = mean(c_across(c(bill_length_z, bill_depth_z)))) %>% 
  select(contains("bill"))

# A tibble: 344 × 5
# Rowwise: 
   bill_length_mm bill_depth_mm bill_length_z bill_depth_z bills_z_mean
            <dbl>         <dbl>         <dbl>        <dbl>        <dbl>
 1           39.1          18.7        -0.883        0.784      -0.0495
 2           39.5          17.4        -0.810        0.126      -0.342 
 3           40.3          18          -0.663        0.430      -0.117 
 4           NA            NA          NA           NA          NA     
 5           36.7          19.3        -1.32         1.09       -0.117 
 6           39.3          20.6        -0.847        1.75        0.450 
 7           38.9          17.8        -0.920        0.329      -0.296 
 8           39.2          19.6        -0.865        1.24        0.188 
 9           34.1          18.1        -1.80         0.480      -0.659 
10           42            20.2        -0.352        1.54        0.596 
# ℹ 334 more rows

Cheat Sheet

Auch die Funktionalitäten des Split-Apply-Combine Approaches sind gut im Cheat Sheet abgebildet.

https://rstudio.github.io/cheatsheets/