R mean()-functie: Aan de slag met gemiddelden

Als je numerieke data in R samenvat, is het berekenen van het gemiddelde vaak de eerste stap. Het is in elk geval vaak het eerste wat ik doe. 

Nu hoeft “gemiddelde” niet per se naar het rekenkundig gemiddelde te verwijzen, maar in dit artikel ga ik daar wel van uit, omdat ik je ga laten zien hoe je werkt met de functie mean() in R, R’s standaardtool voor dit doel. 

Wat doet mean() in R?

De functie mean() berekent het rekenkundig gemiddelde van numerieke data. Met andere woorden: hij telt alle waarden in je vector of kolom op en deelt door het totale aantal aanwezige waarden. Omdat mean() deel uitmaakt van base R, hoef je geen extra packages te laden. Dus hij is klaar voor gebruik zodra je R opent.

De syntax van de functie mean()

We weten wat mean() doet, maar laten we naar de basis-syntax kijken zodat je ermee aan de slag kunt:

mean(x, na.rm = FALSE, ...) Mogelijk gemaakt door

• x: Een numerieke vector of object.

• na.rm: Logisch. Als TRUE, negeert mean() NA-waarden.

Verderop zul je zien dat omgaan met ontbrekende data en werken met verschillende datastructuren wat nuances met zich meebrengt, dus let daarop. 

Het gemiddelde van een numerieke vector in R berekenen

Waarschijnlijk het meest basale is het gemiddelde van een vector berekenen: 

daily_temperatures <- c(72, 68, 75, 70, 69)
mean(daily_temperatures)Mogelijk gemaakt door

Deze regel geeft het gemiddelde van 72, 68, 75, 70 en 69 terug, namelijk 70,8.

Omgaan met ontbrekende waarden met na.rm in R

Echte datasets hebben ontbrekende waarden. Als je data ontbrekende items bevat, zal mean() standaard NA retourneren. Dat kan je verrassen als je het niet verwacht, daarom staan we even stil bij het argument na.rm.

survey_scores <- c(82, 90, NA, 88, 85)
mean(survey_scores)Mogelijk gemaakt door

Dit uitvoeren zal NA teruggeven. Om R te laten weten dat het ontbrekende waarden moet negeren, zet je gewoon na.rm = TRUE:

mean(survey_scores, na.rm = TRUE)Mogelijk gemaakt door

Nu berekent mean() het gemiddelde met alleen de beschikbare getallen. 

mean() gebruiken met data frames in R

Laten we het gebruik uitbreiden naar data frames, een typische structuur voor datasets in R. Als je het gemiddelde van een specifieke kolom wilt, verwijs je er simpelweg naar met de operator $:

student_scores <- data.frame(
  student_name = c("Amir", "Bianca", "Carlos"),
  math_score = c(92, 85, 88)
)

mean(student_scores$math_score)Mogelijk gemaakt door

Dit berekent de gemiddelde score voor alle studenten in je data frame. Je kunt deze aanpak toepassen op elke numerieke kolom (maar het moet wel een numerieke kolom zijn).

Gemiddelde van logische waarden in R

Tot nu toe hebben we ons gericht op numerieke data, maar je zult misschien verrast zijn dat mean() ook werkt met logische vectoren. Dit is een klein maar belangrijk detail dat ik tot nu toe heb gemist.

Je kunt mean() gebruiken met logische waarden omdat in R TRUE wordt behandeld als 1 en FALSE als 0, dus het gemiddelde van een logische vector geeft het aandeel TRUE-waarden terug. Dit kan handig zijn als je binaire uitkomsten moet samenvatten.

quiz_passed_flags <- c(TRUE, FALSE, TRUE, TRUE)
mean(quiz_passed_flags)Mogelijk gemaakt door

Hier is het resultaat 0,75, omdat 3 van de 4 waarden TRUE zijn.

Het gewogen gemiddelde in R vinden 

Soms heb je een gewogen gemiddelde nodig, wanneer je vindt dat verschillende waarden ongelijk bijdragen aan het resultaat. Dan gebruik je weighted.mean():

course_grades <- c(88, 92, 75)
assignment_weights <- c(0.3, 0.4, 0.3)

weighted.mean(course_grades, assignment_weights)Mogelijk gemaakt door

Met weighted.mean() kun je rekening houden met verschillende belangrijkheid of frequentie van je waarden. mean() doet dit niet uit zichzelf.

Dingen om op te letten

Ik heb de meeste hiervan al genoemd, maar laat me mogelijke issues of aandachtspunten even op één plek noteren:

• Niet-numerieke data: Als je vector of kolom niet numeriek of logisch is, geeft mean() een foutmelding.

• NA-afhandeling: Vergeten na.rm = TRUE te gebruiken wanneer je ontbrekende data hebt, zal je elke keer parten spelen.

• Lege vectoren: mean(numeric(0)) retourneert NA met een waarschuwing.

Vergelijkbare functies in R

R biedt verschillende gerelateerde functies die je helpen je data vanuit verschillende hoeken te verkennen. Al deze functies zitten ook in base R, wat betekent dat je ze kunt gebruiken zonder libraries te importeren. 

• median(): Voor de mediaan

• sd(): Voor de standaarddeviatie

• sum(): Voor de som van waarden

Wil je meer leren over het belang van verschillende centrummaten, bekijk dan onze zeer complete tutorial, Mean vs. Median: Knowing the Difference.

Conclusie

Bij de meeste basistaken in data-analyse is mean() je eerste halte om getallen samen te vatten.

Blijf leren met onze cursussen, zoals Introduction to R en Exploratory Data Analysis in R.