| R数据科学 | 您所在的位置：网站首页 › 战争召唤哪个变量最重要 › R数据科学 |
R数据科学
|
.5.1 习题解答问题一 前面对比了已取消航班和未取消航班的出发时间，使用学习到的知识对这个对比的可视化结果进行改善。 解答可以绘制箱线图进行比较 nycflights13::flights %>% mutate( cancelled = is.na(dep_time), sched_hour = sched_dep_time %/% 100, sched_min = sched_dep_time %% 100, sched_dep_time = sched_hour + sched_min / 60 ) %>% ggplot() + geom_boxplot(mapping = aes(y = sched_dep_time, x = cancelled)) 问题二在钻石数据集中，哪个变量对于预测钻石的价格最重要？这个变量与切割质量的关系是怎样的？为什么这两个变量的关系组合会导致质量更差的钻石价格更高呢？ 解答我会先从如下几个变量考虑:carat、clarity、color和cut。我忽略了刻画砖石维度的变量，因为carat测量的是钻石的大小，因此包含了这些变量中的大部分信息。因为price和carat都是连续型变量，可以通过绘制散点图来寻找它们之间的关系： ggplot(diamonds, aes(x = carat, y = price)) + geom_point() 然而，由于数据中有大量的点，我将绘制对carat进行分区的箱线图，需要注意的是，装箱宽度的选择很重要，如果宽度太大，就会模糊任何关系;如果宽度太小，箱中的值可能变化太大，无法揭示潜在的趋势： ggplot(data = diamonds, mapping = aes(x = carat, y = price)) + geom_boxplot(mapping = aes(group = cut_width(carat, 0.1)), orientation = "x") color与price之间存在微弱的负相关关系。钻石颜色的等级从D(最好)到J(最差)。目前，color的级别顺序是错误的。在绘图之前，我将重排color的顺序，使它们在x轴上的质量顺序递增。 ggplot(data = diamonds, mapping = aes(x = carat, y = price)) + geom_boxplot(mapping = aes(group = cut_width(carat, 0.1)), orientation = "x") ```diamonds %>% mutate(color = fct_rev(color)) %>% ggplot(aes(x = color, y = price)) + geom_boxplot()diamonds %>% mutate(color = fct_rev(color)) %>% ggplot(aes(x = color, y = price)) + geom_boxplot() clarity与price之间也存在微弱的负相关。清晰度的等级从I1(最差)到IF(最好)。 ggplot(data = diamonds) + geom_boxplot(mapping = aes(x = clarity, y = price)) 就clarity和color而言，每个类别内部的差异要比类别之间的差异大得多。carat显然是预测钻石价格的最佳指标。现在我们已经确定carat似乎是最好指标，它和cut之间的关系是什么？因为这是连续(carat)和分类(cut)变量的示例，所以可以用箱形图将其可视化。 ggplot(diamonds, aes(x = cut, y = carat)) + geom_boxplot() 在每种切割类别中，克拉大小的分布有很大的变化。carat与cut之间有轻微的负相关。值得注意的是，克拉最大的钻石上均值最低。这种消极的关系可能是由于钻石被选择出售的方式。较大的钻石可以通过较简单的切割就可获利出售，而较小的钻石需要较精细的切割。 问题三安装ggstance包，并创建一个横向箱线图。这种方法与使用coord_flip()函数有何区别？ 解答使用coord_flip()函数ggplot(data = mpg) + geom_boxplot(mapping = aes(x = reorder(class, hwy, FUN = median), y = hwy)) + coord_flip() 安装ggstance包library("ggstance")
ggplot(data = mpg) +
geom_boxploth(mapping = aes(y = reorder(class, hwy, FUN = median), x = hwy))
【注】会发现得到的两幅图是一样的，但是x和y表示的变量却不同。现在的ggplot2可以直接通过设置参数orientation来改变图形朝向。 ggplot(data = mpg) + geom_boxplot(mapping = aes(y = reorder(class, hwy, FUN = median), x = hwy), orientation = "y")问题四箱线图存在的问题是，在小数据集时代开发而成，对于现在的大数据集会显示出数量极其庞大的异常值。解决这个问题的一种方法是使用字母价值图。安装lvplot包，并尝试使用geom_lv()函数来显示价格基于切割质量的分布。你能发现什么问题？如何解释这种图形？ 解答像箱形图一样，字母值图的箱形图对应于分位数。然而，它们包含的分位数远比箱形图多。它们对于大型数据集非常有用，因为， 更大的数据集可以给出超过四分位数的精确估计。并且更大的数据集应该有更多的异常值(以绝对值计算)。 ggplot(diamonds, aes(x = cut, y = price)) + geom_lv() 问题五比较并对比geom_violin()、分面的geom_histogram()和着色的geom_freqploy()。每种方法的优缺点是什么？ 解答geom_freqpoly()更适合查找:这意味着给定价格，很容易知道哪个切割密度最高。然而，重叠的线使得区分总体分布如何相互关联变得困难。 geom_violin()和geom_histogram()有相似的优点和缺点。很容易从视觉上区分分布整体形状的差异(偏斜度、中心值、方差等)。然而，由于我们不能轻易地比较分布的垂直值，因此很难查找给定价格下哪一类别的密度最高。所有这些方法都依赖于调整参数来确定分布的平滑程度。 ggplot(data = diamonds, mapping = aes(x = price, y = ..density..)) + geom_freqpoly(mapping = aes(color = cut), binwidth = 500) ggplot(data = diamonds, mapping = aes(x = price)) +
geom_histogram() +
facet_wrap(~cut, ncol = 1, scales = "free_y")
#> `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
 ggplot(data = diamonds, mapping = aes(x = cut, y = price)) +
geom_violin() +
coord_flip()
 问题六对于小数据集，如果要观察连续变量和分类变量间的关系，有时使用 geom_jitter() 函数是特别有用的。ggbeeswarm 包提供了和 geom_jitter() 相似的一些方法。列出这些方法 并简单描述每种方法的作用。 解答有两种方法: geom_quasirandom()生成混合了抖动和小提琴图像的图像。有几种不同的方法可以精确地确定点的随机位置是如何生成的。geom_beeswarm()生成一个类似于小提琴绘图的绘图，但是通过抵消这些点。我将使用mpg盒图示例，因为这些方法显示单独的点，它们更适合于较小的数据集。ggplot(data = mpg) + geom_quasirandom(mapping = aes( x = reorder(class, hwy, FUN = median), y = hwy )) ggplot(data = mpg) +
geom_quasirandom(
mapping = aes(
x = reorder(class, hwy, FUN = median),
y = hwy
),
method = "tukey"
)
 ggplot(data = mpg) +
geom_quasirandom(
mapping = aes(
x = reorder(class, hwy, FUN = median),
y = hwy
),
method = "tukeyDense"
)
 ggplot(data = mpg) +
geom_quasirandom(
mapping = aes(
x = reorder(class, hwy, FUN = median),
y = hwy
),
method = "frowney"
)
 ggplot(data = mpg) +
geom_quasirandom(
mapping = aes(
x = reorder(class, hwy, FUN = median),
y = hwy
),
method = "smiley"
)
 ggplot(data = mpg) +
geom_beeswarm(mapping = aes(
x = reorder(class, hwy, FUN = median),
y = hwy
))
|
【本文地址】