R语言(数据挖掘与商务分析课本) ---2.1

文章目录

  • 包含三个数据集
  • data1:出生数据
        • 数据说明
            • 数据来源
            • 数据预览
    • 提炼
      • 对分类变量画条形图
      • 做二维列联表
      • 分组直方图/密度图/散点图/箱线图(数值型变量)
        • 直方图
        • 密度图
        • 散点图
        • 箱线图
      • 对数值型变量,分类后去均值
      • lattice包中水平图和等高图
  • data2:校友捐赠
        • 数据说明
            • 数据来源
    • 数据分析

包含三个数据集

data1:出生数据

数据说明

数据来源

R包中的nutshell,2006年出生的数据,数据名为birth2006.smpl

  • 各变量含义:
    出生月份(DOB_MM)
    星期几(DOB_WK)
    婴儿出生体重(.DBWT)
    母亲怀孕期间体重增加率(WTGAIN)
    婴儿的性别(SEX)
    婴儿出生时的阿氏APGAR得分(APGAR5)
    一胞胎还是多胞胎(DPLURAL)
    以周计算的怀孕时间( ESTGEST)
> #CHAPTER 2:  PROCESSING THE INFORMATION AND GETTING TO KNOW YOUR DATA
> #Example 1: 2006 Birth Data 
> ## Install packages from CRAN; use any USA mirror 
> library(lattice)
> library(nutshell)
> data(births2006.smpl) #每个安装包都会包含一定的数据.data(),将数据导入到工作环境中
> births2006.smpl[1:5,]
        DOB_MM DOB_WK MAGER TBO_REC WTGAIN SEX APGAR5                 DMEDUC UPREVIS ESTGEST
591430       9      1    25       2     NA   F     NA                   NULL      10      99
1827276      2      6    28       2     26   M      9     2 years of college      10      37
1705673      2      2    18       2     25   F      9                   NULL      14      38
3368269     10      5    21       2      6   M      9                   NULL      22      38
2990253      7      7    25       1     36   M     10 2 years of high school      15      40
        DMETH_REC  DPLURAL DBWT
591430    Vaginal 1 Single 3800
1827276   Vaginal 1 Single 3625
1705673   Vaginal 1 Single 3650
3368269   Vaginal 1 Single 3045
2990253   Vaginal 1 Single 3827
> dim(births2006.smpl)
[1] 427323     13
数据预览
  1. 查看周一至周日每天分娩的总计人数
> births.dow <- table(births2006.smpl$DOB_WK)
> births.dow

    1     2     3     4     5     6     7 
40274 62757 69775 70290 70164 68380 45683 
> barchart(births.dow,ylab='Day of Week',col='black')

R语言(数据挖掘与商务分析课本) ---2.1_第1张图片
解说:
*休息日分娩的人数要远少于工作日分娩的人数,据了解,剖腹产(C-section)一般是在工作日进行

  1. 自然分娩和剖腹产的具体时间情况
  • 首先,分娩的方式分为两种,Vaginal和C-section,顺产和剖腹产(对于不知道分娩方式的记为unknown)
  • 将星期几(WK)作为行,分娩方式(MM)作为列,计算列联表,并且去掉列表缺失项第二列的记录
  • 将列联表(table)
> unique(births2006.smpl$DMETH_REC)
[1] Vaginal   C-section Unknown  
Levels: C-section Unknown Vaginal
> dob.dm.tbl <- table(WK = births2006.smpl$DOB_WK,
+                     MM = births2006.smpl$DMETH_REC)
> dob.dm.tbl
   MM
WK  C-section Unknown Vaginal
  1      8836      90   31348
  2     20454     272   42031
  3     22921     247   46607
  4     23103     252   46935
  5     22825     258   47081
  6     23233     289   44858
  7     10696     109   34878
> dob.dm.tbl <- dob.dm.tbl[,-2]
> dob.dm.tbl
   MM
WK  C-section Vaginal
  1      8836   31348
  2     20454   42031
  3     22921   46607
  4     23103   46935
  5     22825   47081
  6     23233   44858
  7     10696   34878
> trellis.device()  #这句是打开一个画图界面,如果题头显示(active)表示激活状态,画图都会在该界面呈现,否则就在Rstudio的plots界面中呈现。
> barchart(dob.dm.tbl,ylab = 'Day of Week') #图一
> barchart(dob.dm.tbl,horizontal = FALSE, groups = FALSE,
+          xlab = 'Day of Week',col = 'black') #图二

解说:

  • 图一和图二,都是用barchart画出来的,呈现出来的结果,黑色的图二会更直观些,主要是进行了分组来画柱状图
  • 无论哪种分娩方式,分娩的时间都主要集中在周二至周六;并且
    R语言(数据挖掘与商务分析课本) ---2.1_第2张图片
    R语言(数据挖掘与商务分析课本) ---2.1_第3张图片

提炼

对分类变量画条形图

  1. 对分类变量进行table()
  2. 再对table()后的结果进行barchart()
> births.dow <- table(births2006.smpl$DOB_WK)
> births.dow

    1     2     3     4     5     6     7 
40274 62757 69775 70290 70164 68380 45683 
> barchart(births.dow,ylab='Day of Week',col='black')

R语言(数据挖掘与商务分析课本) ---2.1_第4张图片

做二维列联表

  1. 句法:table(纵轴,横轴)
> dob.dm.tbl <- table(WK = births2006.smpl$DOB_WK,
+                     MM = births2006.smpl$DMETH_REC)
> dob.dm.tbl
  MM
WK  C-section Unknown Vaginal
 1      8836      90   31348
 2     20454     272   42031
 3     22921     247   46607
 4     23103     252   46935
 5     22825     258   47081
 6     23233     289   44858
 7     10696     109   34878
  1. 列联表有多个横轴组
    例如案例中的两种方式剖腹产和顺产,对这两种方式分组画条形图
> dob.dm.tbl <- dob.dm.tbl[,-2]
> dob.dm.tbl
> barchart(dob.dm.tbl,ylab = 'Day of Week') #图一,堆砌在一起
> barchart(dob.dm.tbl,horizontal = FALSE, groups = FALSE,
+          xlab = 'Day of Week',col = 'black') #图二,分别画

R语言(数据挖掘与商务分析课本) ---2.1_第5张图片
R语言(数据挖掘与商务分析课本) ---2.1_第6张图片

分组直方图/密度图/散点图/箱线图(数值型变量)

直方图

  • 说明:
    histogram(~数值变量|分类变量,data= ,layout = )
> histogram(~DBWT|DPLURAL,data = births2006.smpl,layout = c(1,5),
+           col = 'black')  #layout = c(1,5)表示1列5行

R语言(数据挖掘与商务分析课本) ---2.1_第7张图片

密度图

  • 说明:
  1. densityplot(~数值变量|分类变量,data= ,layout = )
  2. 或者densityplot(~数值型变量,groups = 分类型变量,data = )
> densityplot(~DBWT|DPLURAL,data = births2006.smpl,layout = c(1,5),
+             plot.points = FALSE,col = 'black')   
> densityplot(~DBWT,groups = DPLURAL,data = births2006.smpl,
+             plot.points = FALSE)  

R语言(数据挖掘与商务分析课本) ---2.1_第8张图片
R语言(数据挖掘与商务分析课本) ---2.1_第9张图片

散点图

  • 说明:

dotplot(~数值型变量| 分类型变量,data = ,layout =) #1
⇒ \Rightarrow “|”表示条件,一旦有这个,就表示对数据按照某分类变量进行分组

xyplot(数值型变量~分类型变量,data= ,col=“black”) #2
⇒ \Rightarrow 相当于y~分类型变量,并没有进行分组

xyplot(数值型变量~分类型变量2|分类型变量1, data = ,layout =) #3
⇒ \Rightarrow 在分类型变量1的前提下,进行y~分类变量2

xyplot(数值型变量~数值型变量,data= ,col=“black”) #4
⇒ \Rightarrow 相当于y~x散点图,并没有进行分组

xyplot(数值型变量~数值型变量|分类型变量1, data = ,layout =) #5
⇒ \Rightarrow 在分类型变量1的前提下,进行y~x散点图

smoothScatter(x,y) #6
⇒ \Rightarrow 平滑散点图

> dotplot(~DBWT|DPLURAL,data=births2006.smpl,layout=c(1,5),plot.points=FALSE,col="black")  #1
> xyplot(DBWT~DOB_WK,data=births2006.smpl,col="black") #2
> xyplot(DBWT~DOB_WK|DPLURAL,data=births2006.smpl,layout=c(1,5),col="black") #3
> xyplot(DBWT~WTGAIN,data=births2006.smpl,col="black") #4
> xyplot(DBWT~WTGAIN|DPLURAL,data=births2006.smpl,layout=c(1,5),col="black") #5
> smoothScatter(births2006.smpl$WTGAIN,births2006.smpl$DBWT) #6

R语言(数据挖掘与商务分析课本) ---2.1_第10张图片
R语言(数据挖掘与商务分析课本) ---2.1_第11张图片
R语言(数据挖掘与商务分析课本) ---2.1_第12张图片
R语言(数据挖掘与商务分析课本) ---2.1_第13张图片
R语言(数据挖掘与商务分析课本) ---2.1_第14张图片
R语言(数据挖掘与商务分析课本) ---2.1_第15张图片

箱线图

  • 说明:

常规不用加载包,boxplot函数
boxplot(数值型变量~数值型变量, data= )
boxplot(数值型变量~分类型变量, data= )
⇒ \Rightarrow 不同之处在于横轴是分类型还是数值型

在lattice包下,bwplot()函数
bwplot(数值型变量~factor(分类型变量)|factor(分类型变量),data = )
bwplot(数值型变量~factor(分类型变量), data = )
⇒ \Rightarrow 要对分类型变量进行factor;可以进行条件前提设置 → \rightarrow "|"

> boxplot(DBWT~APGAR5,data=births2006.smpl,ylab="DBWT",xlab="AGPAR5")
> boxplot(DBWT~DOB_WK,data=births2006.smpl,ylab="DBWT",xlab="Day of Week")
> bwplot(DBWT~factor(APGAR5)|factor(SEX),data=births2006.smpl,xlab="AGPAR5")
> bwplot(DBWT~factor(DOB_WK),data=births2006.smpl,xlab="Day of Week")

R语言(数据挖掘与商务分析课本) ---2.1_第16张图片
R语言(数据挖掘与商务分析课本) ---2.1_第17张图片
R语言(数据挖掘与商务分析课本) ---2.1_第18张图片
R语言(数据挖掘与商务分析课本) ---2.1_第19张图片

对数值型变量,分类后去均值

  • 说明

tapply(vector, index, function),
⇒ \Rightarrow vector 可以是数值,index要变成因子/分类型变量,function是对vector进行的函数操作,可以是mean,max,min等

  1. 可先对分组变量进行因子化(是否因子化不影响) → \rightarrow t4
  2. index是有多个分类型变量要用list()进行组装 → \rightarrow t5
  3. 套用tapply()函数,可以在这里面去掉缺少值,na.rm = TRUE
> fac=factor(births2006.smpl$DPLURAL)
> res=births2006.smpl$DBWT
> t4=tapply(res,fac,mean,na.rm=TRUE)
> t4
              1 Single                 2 Twin 
              3298.263               2327.478 
             3 Triplet           4 Quadruplet 
              1677.017               1196.105 
5 Quintuplet or higher 
              1142.800 
> t5=tapply(births2006.smpl$DBWT,INDEX=list(births2006.smpl$DPLURAL,births2006.smpl$SEX),FUN=mean,na.rm=TRUE)
> t5
                              F        M
1 Single               3242.302 3351.637
2 Twin                 2279.508 2373.819
3 Triplet              1697.822 1655.348
4 Quadruplet           1319.556 1085.000
5 Quintuplet or higher 1007.667 1345.500
> barplot(t4,ylab="DBWT")
> barplot(t5,beside=TRUE,ylab="DBWT")  

R语言(数据挖掘与商务分析课本) ---2.1_第20张图片
R语言(数据挖掘与商务分析课本) ---2.1_第21张图片

lattice包中水平图和等高图

  • 说明:
    1. 去掉未知数据集
    2. 对两个连续变量进行分割cut → \rightarrow t6
> t5=table(births2006.smpl$ESTGEST)
> t5

    12     15     17     18     19     20     21     22     23 
     1      2     18     43     69    116    162    209    288 
    24     25     26     27     28     29     30     31     32 
   401    445    461    566    670    703   1000   1243   1975 
    33     34     35     36     37     38     39     40     41 
  2652   4840   7954  15874  33310  76794 109046  84890  23794 
    42     43     44     45     46     47     48     51     99 
  1931    133     32      6      5      5      2      1  57682 
> new=births2006.smpl[births2006.smpl$ESTGEST != 99,] #new去掉怀孕周数未知为99的数据集
> t51=table(new$ESTGEST)
> t51

    12     15     17     18     19     20     21     22     23 
     1      2     18     43     69    116    162    209    288 
    24     25     26     27     28     29     30     31     32 
   401    445    461    566    670    703   1000   1243   1975 
    33     34     35     36     37     38     39     40     41 
  2652   4840   7954  15874  33310  76794 109046  84890  23794 
    42     43     44     45     46     47     48     51 
  1931    133     32      6      5      5      2      1 
> t6=tapply(new$DBWT,INDEX=list(cut(new$WTGAIN,breaks=10),cut(new$ESTGEST,breaks=10)),FUN=mean,na.rm=TRUE)
> t6
             (12,15.9] (15.9,19.8] (19.8,23.7] (23.7,27.6]
(-0.098,9.8]       227    321.3125    486.7534    799.5614
(9.8,19.6]        2649    592.8235    546.7738    813.4179
(19.6,29.4]         NA    585.8889    590.1368    882.4800
(29.4,39.2]       2977   1891.0000    731.5957    866.0294
(39.2,49]           NA   2485.2500    803.8667    955.7639
(49,58.8]           NA          NA    434.7500    950.8039
(58.8,68.6]         NA          NA    352.0000   1285.6250
(68.6,78.4]         NA          NA          NA    805.5714
(78.4,88.2]         NA          NA          NA   1110.0000
(88.2,98.1]         NA          NA          NA    768.0000
             (27.6,31.5] (31.5,35.4] (35.4,39.3] (39.3,43.2]
(-0.098,9.8]    1398.234    2275.316    3166.748    3443.652
(9.8,19.6]      1421.181    2289.950    3171.085    3434.708
(19.6,29.4]     1452.186    2307.429    3213.362    3475.328
(29.4,39.2]     1521.757    2323.002    3276.400    3535.965
(39.2,49]       1513.215    2368.520    3329.068    3605.645
(49,58.8]       1506.355    2358.658    3370.630    3650.549
(58.8,68.6]     1469.508    2367.365    3389.672    3681.233
(68.6,78.4]     1463.391    2368.205    3418.076    3694.160
(78.4,88.2]     1487.846    2447.250    3496.495    3708.868
(88.2,98.1]     1434.333    2481.105    3406.835    3688.067
             (43.2,47.1] (47.1,51]
(-0.098,9.8]    3911.667      3310
(9.8,19.6]      3206.400        NA
(19.6,29.4]     3007.800      3969
(29.4,39.2]     3326.143      4042
(39.2,49]       3447.200        NA
(49,58.8]       3501.000        NA
(58.8,68.6]     3435.500        NA
(68.6,78.4]     3118.000        NA
(78.4,88.2]           NA        NA
(88.2,98.1]           NA        NA
> levelplot(t6,scales = list(x = list(rot = 90)),xlab = 'ESTGEST',ylab = 'WTGAIN')
> contourplot(t6,scales = list(x = list(rot = 90)),xlab = 'ESTGEST',ylab ='WTGAIN')

R语言(数据挖掘与商务分析课本) ---2.1_第22张图片
R语言(数据挖掘与商务分析课本) ---2.1_第23张图片

文章目录

  • 包含三个数据集
  • data1:出生数据
        • 数据说明
            • 数据来源
            • 数据预览
    • 提炼
      • 对分类变量画条形图
      • 做二维列联表
      • 分组直方图/密度图/散点图/箱线图(数值型变量)
        • 直方图
        • 密度图
        • 散点图
        • 箱线图
      • 对数值型变量,分类后去均值
      • lattice包中水平图和等高图
  • data2:校友捐赠
        • 数据说明
            • 数据来源
    • 数据分析

data2:校友捐赠

数据说明

数据来源
  • 美国中西部一 家私立文理学院的捐赠数据
  • 只分析五届(1957、1967 、1977、1987、1997 年)毕业生捐赠
  • 数据集n= 1230,变量为性别、婚姻状况、本科专业、随后的研究生作以及筹款活动的出席情况
  • 只包含从该校毕业的校友,不包括在校学习但未成功毕业的学生。
  • 无缺失值

数据分析

  • 说明:
  1. 五届毕业生受最小值和最大值影响较大,查看分位数
    quantile(数值型变量,probs = )
    ⇒ \Rightarrow 其中probs取值范围在 [ 0 , 1 ] [0,1] [0,1]之间
  2. 分位数
> table(don$Class.Year)  #由于1957年年代久远,有些毕业生已去世,故统计的人数少
1957 1967 1977 1987 1997 
 127  222  243  277  361 
> barchart(table(don$Class.Year),horizontal=FALSE,xlab="Class Year",col="black")
> don$TGiving=don$FY00Giving+don$FY01Giving+don$FY02Giving+don$FY03Giving+don$FY04Giving
> mean(don$TGiving)
[1] 980.0436
> sd(don$TGiving)
[1] 6670.773
> quantile(don$TGiving,probs=seq(0,1,0.05))
      0%       5%      10%      15%      20%      25% 
     0.0      0.0      0.0      0.0      0.0      0.0 
     30%      35%      40%      45%      50%      55% 
     0.0     10.0     25.0     50.0     75.0    100.0 
     60%      65%      70%      75%      80%      85% 
   150.8    200.0    275.0    400.0    554.2    781.0 
     90%      95%     100% 
  1050.0   2277.5 171870.1 
> quantile(don$TGiving,probs=seq(0.95,1,0.01))
      95%       96%       97%       98%       99% 
  2277.50   3133.56   5000.00   7000.00  16442.14 
     100% 
171870.06 
> hist(don$TGiving)
> hist(don$TGiving[don$TGiving!=0][don$TGiving[don$TGiving!=0]<=1000])

你可能感兴趣的:(R语言)