TidyPG cheatsheet: sumarizando tabelas com R e PostgreSQL

Neste cheatsheet mostro como criar sumários no R e no PostgreSQL.

Count

Tidyverse

## Número de colunas
length(df)

## Número de linhas
nrow(df)

## frequência para uma coluna
df %>% 
      count(col1)

## frequência ordenada    
df %>% 
    count(col1,sort = T)

##Frequência múltipla    

df %>% 
      count(col1,col2,...)
      
## Frequência múltipla ordenada

df %>% 
       count(col1,col2,...,sort = T)

PostgreSQL

-- Número de colunas 
SELECT COUNT(*) 
FROM information_schema.columns 
WHERE table_name = 'df'; 

-- Número de linhas  
SELECT COUNT(*) 
FROM df;

-- Frequência para uma coluna

SELECT col1, COUNT(*) 
FROM df 
GROUP BY col1;  

-- Frequência ordenada para uma coluna
SELECT col1, COUNT(*) 
FROM df
GROUP BY col1 
ORDER BY COUNT 
DESC;  

-- Frequência múltipla
SELECT col1, col2,... COUNT(*) 
FROM df 
GROUP BY col1, col2;

-- Frequência múltipla ordenada por uma  coluna
SELECT col1, col2,... COUNT(*) 
FROM df 
GROUP BY col1 
ORDER BY COUNT 
DESC;

-- Frequência múltipla ordenada
SELECT col1,col2, COUNT(*) 
FROM df 
GROUP BY col1, col2 
ORDER BY COUNT 
DESC;

Summarize ou summarise

Sumário sem agrupamento

Tidyverse

Estamos assumindo que a coluna col1 é numérica.

df %>% 
   summarize(n = n(),
             min = min(col1),
             max = max(col1),
             media = mean(col1),
             mediana = median(col1)
             desvio_padrao = sd(col1),
             )

PostgreSQL

Bases relacionais não possuem noção intrínseca de ordem, o que torna a verificação da mediana e outras percentis ou quantis mais verboso.

SELECT COUNT(*) AS n,  
      MIN(col1) AS min,  
      MAX(col1) AS max,  
      AVG(col1) AS media,  
      PERCENTILE_CONT(0.50) WITHIN GROUP (ORDER BY col1 ASC) AS mediana,  
      STDDEV(col1) AS desvio_padrao  
      FROM df;
      

Sumário com agrupamento

Tidyverse

Estamos assumindo que a coluna col1 é numérica.

df %>% 
   group_by(grupo) %>% 
   summarize(n = n(),
             min = min(col1),
             max = max(col1),
             media = mean(col1),
             mediana = median(col1)
             desvio_padrao = sd(col1),
             )

PostgreSQL

Bases relacionais não têm noção intrínseca de ordem, o que torna a verificação da mediana e outras percentis ou quantis mais verbosa.

SELECT grupo, COUNT(*) AS n,  
      MIN(col1) AS min,  
      MAX(col1) AS max,  
      AVG(col1) AS media,  
      PERCENTILE_CONT(0.50) WITHIN GROUP (ORDER BY col1 ASC) AS mediana,  
      STDDEV(col1) AS desvio_padrao  
      FROM df  
      GROUP BY grupo;  
      

Sumário de vetores(R)/arrays(PostgreSQL)

R

mean(c(8,7,1,4))

PostgreSQL

SELECT AVG(a) 
AS media 
FROM UNNEST(ARRAY[8,7,1,4]) 
AS a;