HW1 - Problem 1
Yong-Hui
系統環境：R 3.4.4 (x64) on Microsoft Windows 10 Ver. 1709前置作業
本題會使用的 package 有 Lanman / dplyr / magrittr / GGally / ggplot2，先將這些 package include 進來備用
library(Lahman)
library(dplyr)
library(magrittr)
library(GGally)
library(ggplot2)1-1 請計算每位選手的生涯打擊資料。哪位選手被三振（SO）的次數最多？被三振了幾次？在出場數（G）低於 1000 場的選手中，哪位選手的全壘打數（HR）最多？共打了幾支全壘打？
本題計算的是打擊資料，需對應到 Lanman DB 的 Batting table，第 1 / 2 個問題需要對 SO 進行排序以得到 SO 最大的 playerID
## 只選擇 playerID 及 SO 簡化 data frame，並合併相同 playerID
tbl_batting <- tbl_df(Batting) %>% select(playerID,SO) %>% group_by(playerID) %>%
summarise_all(.funs = funs(sum))
## 針對 SO 進行遞減排序
tbl_batting <- tbl_batting[order(tbl_batting$SO,decreasing = TRUE),]
tbl_batting # A tibble: 18,915 x 2
playerID SO
<chr> <int>
1 jacksre01 2597
2 thomeji01 2548
3 dunnad01 2379
4 sosasa01 2306
5 rodrial01 2287
6 galaran01 2003
7 cansejo01 1942
8 stargwi01 1936
9 camermi01 1901
10 schmimi01 1883
# ... with 18,905 more rows由以上結果得知 jacksre01 被三振次數（SO）最多，共 2597 次。
第 3 / 4 個問題需考慮 G < 1000 的 data，求 HR 最大的 playerID
## 由於 playerID 會有重複的問題，這裡 G < 1000 不使用 raw data 做篩選，改以加總後的結果來判斷
## 只選擇 playerID，G 及 HR 簡化 data frame，並合併相同 playerID
tbl_batting <- tbl_df(Batting) %>% select(playerID,HR,G) %>% group_by(playerID) %>%
summarise_all(.funs = funs(sum)) %>% filter(G < 1000)
## 針對 HR 進行遞減排序
tbl_batting <- tbl_batting[order(tbl_batting$HR,decreasing = TRUE),]
tbl_batting # A tibble: 17,350 x 3
playerID HR G
<chr> <int> <int>
1 stantmi03 208 827
2 balbost01 181 960
3 gentiji01 179 936
4 trumbma01 178 849
5 kittlro01 176 843
6 hidalri01 171 987
7 troutmi01 168 811
8 conigto01 166 876
9 rodrihe02 160 950
10 quentca01 154 834
# ... with 17,340 more rows由以上結果得知 stantmi03 全壘打數（HR）最多，共 208 次。
1-2 哪位選手其第一次出場比賽（debut）與最後一次出場比賽（finalGame）的間隔時間最久？共隔了幾天？
本題使用 Lanman DB 的 Master table，並計算球員年資，剛好這份資料沒有 playerID 重複的問題，可以直接使用 finalGame 與 debut 相減，再將結果單獨列為一個 column seniority
## 只選擇 playerID，debut 及 finalGame 簡化資料，並新增欄位 seniority 儲存相減後的天數
tbl_master <- tbl_df(Master) %>% select(playerID,debut,finalGame) %>%
mutate(seniority = as.integer( as.Date(finalGame)-as.Date(debut)))
## 針對 seniority 進行遞減排序
tbl_master <- tbl_master[order(tbl_master$seniority,decreasing = TRUE),]
tbl_master # A tibble: 19,105 x 4
playerID debut finalGame seniority
<chr> <chr> <chr> <int>
1 altroni01 1898-07-14 1933-10-01 12862
2 orourji01 1872-04-26 1904-09-22 11836
3 minosmi01 1949-04-19 1980-10-05 11492
4 olearch01 1904-04-14 1934-09-30 11126
5 lathaar01 1880-07-05 1909-09-30 10678
6 mcguide01 1884-06-21 1912-05-18 10192
7 jennihu01 1891-06-01 1918-09-02 9954
8 eversjo01 1902-09-01 1929-10-06 9897
9 ryanno01 1966-09-11 1993-09-22 9873
10 streega01 1904-09-13 1931-09-20 9868
# ... with 19,095 more rows由以上結果得知 altroni01 間隔時間最久，共 12862 天。
1-3 請計算2015 年每個球隊的平均薪資，以及2014 年每個球隊的打擊資料（加總），並將兩組資料根據teamID 合併。
本題要求計算平均薪資，需使用 Salaries table
## 找 2015 年的資料，直接將 salary 欄位做平均合併
tbl_salaries <- tbl_df(Salaries) %>% filter(yearID == 2015) %>% select(teamID,salary) %>% group_by(teamID) %>% summarise_all(.funs = funs(mean))
tbl_salaries$salary <- tbl_salaries$salary / 10000
## 原 teamID 形態為 factor，這裡轉為 char 減少 join 問題
tbl_salaries$teamID <- as.character(tbl_salaries$teamID)
tbl_salaries # A tibble: 30 x 2
teamID salary
<chr> <dbl>
1 ARI 213.
2 ATL 299.
3 BAL 411.
4 BOS 566.
5 CHA 416.
6 CHN 414.
7 CIN 419.
8 CLE 302.
9 COL 383.
10 DET 689.
# ... with 20 more rows再來是 2014 年每隊的打擊資料，使用 Batting table
## 這裡只需要球隊的資料，因此將 playerID,stint,lgID 及 yearID 捨去
tbl_batting <- tbl_df(Batting) %>% filter(yearID == 2014) %>% select(-playerID,-yearID,-stint,-lgID) %>% group_by(teamID) %>% summarise_all(.funs = funs(sum))
## 原 teamID 形態為 factor，這裡轉為 char 減少 join 問題
tbl_batting$teamID <- as.character(tbl_batting$teamID)
tbl_batting # A tibble: 30 x 18
teamID G AB R H X2B X3B HR RBI SB CS
<chr> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
1 ARI 2274 5552 615 1379 259 47 118 573 86 33
2 ATL 2252 5468 573 1316 240 22 123 545 95 33
3 BAL 2294 5596 705 1434 264 16 211 681 44 20
4 BOS 2283 5551 634 1355 282 20 123 601 63 25
5 CHA 2285 5543 660 1400 279 32 155 625 85 36
6 CHN 2358 5508 614 1315 270 31 157 590 65 40
7 CIN 2213 5395 595 1282 254 20 131 562 122 52
8 CLE 2391 5575 669 1411 284 23 142 644 104 27
9 COL 2387 5612 755 1551 307 41 186 721 85 48
10 DET 2330 5630 757 1557 325 26 155 731 106 41
# ... with 20 more rows, and 7 more variables: BB <int>, SO <int>,
# IBB <int>, HBP <int>, SH <int>, SF <int>, GIDP <int>最後將兩個 table 合併
tbl_salaries <- inner_join(tbl_salaries,tbl_batting, by = "teamID")
tbl_salaries # A tibble: 30 x 19
teamID salary G AB R H X2B X3B HR RBI SB
<chr> <dbl> <int> <int> <int> <int> <int> <int> <int> <int> <int>
1 ARI 213. 2274 5552 615 1379 259 47 118 573 86
2 ATL 299. 2252 5468 573 1316 240 22 123 545 95
3 BAL 411. 2294 5596 705 1434 264 16 211 681 44
4 BOS 566. 2283 5551 634 1355 282 20 123 601 63
5 CHA 416. 2285 5543 660 1400 279 32 155 625 85
6 CHN 414. 2358 5508 614 1315 270 31 157 590 65
7 CIN 419. 2213 5395 595 1282 254 20 131 562 122
8 CLE 302. 2391 5575 669 1411 284 23 142 644 104
9 COL 383. 2387 5612 755 1551 307 41 186 721 85
10 DET 689. 2330 5630 757 1557 325 26 155 731 106
# ... with 20 more rows, and 8 more variables: CS <int>, BB <int>,
# SO <int>, IBB <int>, HBP <int>, SH <int>, SF <int>, GIDP <int>1-4 根據3 所得到的資料，使用ggpairs 繪製各球隊平均薪資與安打數（H）、全壘打數（HR）、打點數（RBI）、盜壘數（SB）、三振次數（SO）總數的散布圖。
tbl_salaries %>%
ggpairs(columns = c("salary","H","HR","RBI","SB","SO"),lower = list(continuous = "smooth"))
## 刪除產生的變數
rm(tbl_batting)
rm(tbl_master)
rm(tbl_salaries)