R语言数据分析 -- 探索性数据分析基础练习
全文概述
使用 RStudio 自带的钻石数据进行探索性数据分析练习：分析思路与作图练习
导入钻石数据集
library(ggplot2)
data('diamonds')
查看钻石数据集信息
?diamonds
summary((diamonds$color)) # 显示每个钻石颜色种类的数量情况
一览价格分布
summary(diamonds$price)# 基础预览
qplot(x=price, data = diamonds, ylab = 'Counts',
color=I('black'), fill=I('#099DD9')) +
scale_x_continuous(breaks = seq(0, 19000, 2000))
简单查看异常值数量
sum(diamonds$price <= 500) # 1749：便宜钻石
# 异常值：$15000 以上的：三分位点+1.5IQR
sum(diamonds$price >= 15000) # 1656
切工-价格情况 – 直方图
qplot(x=price, data=diamonds, binwidth=50,
ylab = 'Counts') + facet_wrap(~cut)
# 因为图形有点丑陋，所以改为频率多边形图
qplot(x=price, data=diamonds, ylab = 'Counts',
geom = 'freqpoly', color = cut)
结论部分
- 01 拥有最高价格的钻石切工
- 02 最低价格的钻石切工
- 03 哪种切工的钻石平均价格最低
拆分 x 轴进行分析(反复筛选区间)
min(diamonds$price) # 最低价格：326
max(diamonds$price) # 最高价格：18823
# 细化坐标轴 price
qplot(x=price, data=diamonds, ylab = 'Counts',
geom = 'freqpoly', color = cut) +
scale_x_continuous(limits = c(300, 350),
breaks=seq(300, 350, 2))
# 发现最低价格在切工分类为 ideal 的钻石
qplot(x=price, data=diamonds, ylab = 'Counts',
geom = 'freqpoly', color = cut) +
scale_x_continuous(limits = c(18800, 18823),
breaks=seq(18800, 18823, 2))
# 惊奇的发现切工为 premium(优质切工) 的价格最高
by(diamonds$price, diamonds$cut, mean)
# fair:4358.758; Good:3928.864; very good:3981.76;
# premium:4584.258; ideal:3457.542
# 依然是高级切工 premium 的平均价格最高
探寻切工是如何影响每克拉的价格的
# 一览克拉数情况
summary(diamonds$carat)
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# 0.2000 0.4000 0.7000 0.7979 1.0400 5.0100
qplot(x=carat, data = diamonds, ylab = 'Counts',
color=I('black'), fill=I('#F79420'))+
scale_x_continuous(breaks=seq(0.2, 5.0100, 0.2))
# 发现主要还是集中在 1.2 以内，所以价格÷carat后的数值可能
# 会近似长尾分布使得许多尾部数据无法充分利用，
# 提前考虑 x 坐标轴 log10
qplot(x=price/carat, data = diamonds,
xlab = 'price/carat (log10)', ylab='Counts',
color=I('black'), fill=I('#CC99FF')) +
scale_x_log10() # 接近正态分布
下图呈现长尾分布，需要进行坐标轴处理，否则 “尾巴” 失去意义就可惜了
处理坐标轴后
箱线图 – carat 与 price 组合
qplot(x=color, y=price,
data = diamonds, geom = 'boxplot') +
scale_y_continuous(breaks = seq(0, 18900, 2000)) +
coord_flip() # 箱线图转置
四分位间距 – IQR
# 颜色最优的钻石的IQR
IQR(subset(diamonds, color='D')$color)
# 对钻石的价格进行 summary 操作，得到分位点，均值，
# 极值等情况，根据中间的颜色参数来分类
by(diamonds$price, diamonds$color, summary)
由颜色表示的每克拉价格箱线图
qplot(x=color, y=price/carat, data = diamonds,
geom = 'boxplot')
这里贪快没有使用 ggplot 的详细作图而是使用 qplot 简易作图，所以暂时没有颜色，若使用 ggplot，可以直接根据参数 variable 自动填充和谐的颜色
克拉频率多边形
summary(diamonds$carat)
# x：重量；y：占比
qplot(x=carat, y=..count../sum(..count..),
data = diamonds, binwidth=0.2, ylab = 'probability',
geom = 'freqpoly') +
scale_x_continuous(breaks = seq(0.2, 5.01, 0.2))
养成 summary 一下看一下概要再画图是一个不错的习惯。
