Набор данных diamonds — это набор данных, встроенный в пакет ggplot2 в R.
Он содержит измерения по 10 различным переменным (таким как цена, цвет, чистота и т. д.) для 53 940 различных бриллиантов.
В этом руководстве объясняется, как исследовать, обобщать и визуализировать набор данных алмазов в R.
Загрузите набор данных бриллиантов
Поскольку набор данных diamonds является встроенным набором данных в ggplot2, мы должны сначала установить (если мы еще этого не сделали) и загрузить пакет ggplot2:
#install ggplot2 if not already installed
install. packages('ggplot2')
#load ggplot2
library (ggplot2)
Как только мы загрузили ggplot2, мы можем использовать функцию data() для загрузки набора данных бриллиантов :
data(diamonds)
Мы можем взглянуть на первые шесть строк набора данных, используя функцию head() :
#view first six rows of diamonds dataset
head(diamonds)
carat cut color clarity depth table price x y z
1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
4 0.290 Premium I VS2 62.4 58 334 4.2 4.23 2.63
5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48
Обобщить набор данных алмазов
Мы можем использовать функцию summary() , чтобы быстро суммировать каждую переменную в наборе данных:
#summarize diamonds dataset
summary(diamonds)
carat cut color clarity depth
Min. :0.2000 Fair : 1610 D: 6775 SI1 :13065 Min. :43.00
1st Qu.:0.4000 Good : 4906 E: 9797 VS2 :12258 1st Qu.:61.00
Median :0.7000 Very Good:12082 F: 9542 SI2 : 9194 Median :61.80
Mean :0.7979 Premium :13791 G:11292 VS1 : 8171 Mean :61.75
3rd Qu.:1.0400 Ideal :21551 H: 8304 VVS2 : 5066 3rd Qu.:62.50
Max.:5.0100 I: 5422 VVS1 : 3655 Max.:79.00
J: 2808 (Other): 2531
table price x y z
Min. :43.00 Min. : 326 Min. : 0.000 Min. : 0.000 Min. : 0.000
1st Qu.:56.00 1st Qu.: 950 1st Qu.: 4.710 1st Qu.: 4.720 1st Qu.: 2.910
Median :57.00 Median : 2401 Median : 5.700 Median : 5.710 Median : 3.530
Mean :57.46 Mean : 3933 Mean : 5.731 Mean : 5.735 Mean : 3.539
3rd Qu.:59.00 3rd Qu.: 5324 3rd Qu.: 6.540 3rd Qu.: 6.540 3rd Qu.: 4.040
Max.:95.00 Max.:18823 Max.:10.740 Max.:58.900 Max.:31.800
Для каждой из числовых переменных мы можем увидеть следующую информацию:
- Мин : минимальное значение.
- 1st Qu : значение первого квартиля (25-й процентиль).
- Медиана : среднее значение.
- Среднее : среднее значение.
- 3- й Qu : значение третьего квартиля (75-й процентиль).
- Макс : максимальное значение.
Для категориальных переменных в наборе данных (огранка, цвет и чистота) мы видим подсчет частоты каждого значения.
Например, для переменной cut :
- Fair : это значение встречается 1610 раз.
- Хорошо : это значение встречается 4906 раз.
- Очень хорошо : это значение встречается 12 082 раза.
- Премиум : это значение встречается 13 791 раз.
- Идеально : это значение встречается 21 551 раз.
Мы можем использовать функцию dim() для получения размеров набора данных с точки зрения количества строк и количества столбцов:
#display rows and columns
dim(diamonds)
[1] 53940 10
Мы видим, что набор данных имеет 53 940 строк и 10 столбцов.
Мы также можем использовать функцию names() для отображения имен столбцов фрейма данных:
#display column names
names(diamonds)
[1] "carat" "cut" "color" "clarity" "depth" "table" "price" "x"
[9] "y" "z"
Визуализируйте набор данных алмазов
Мы также можем создать несколько графиков для визуализации значений в наборе данных.
Например, мы можем использовать функцию geom_histogram() для создания гистограммы значений определенной переменной:
#create histogram of values for price
ggplot(data=diamonds, aes (x=price)) +
geom_histogram(fill=" steelblue", color=" black ") +
ggtitle(" Histogram of Price Values ")
Мы также можем использовать функцию geom_point() для создания диаграммы рассеивания любой попарной комбинации переменных:
#create scatterplot of carat vs. price, using cut as color variable
ggplot(data=diamonds, aes (x=carat, y=price, color=cut)) +
geom_point()
Мы также можем использовать функцию geom_boxplot() для создания диаграммы одной переменной, сгруппированной по другой переменной:
#create scatterplot of price, grouped by cut
ggplot(data=diamonds, aes (x=cut, y=price)) +
geom_boxplot(fill=" steelblue ")
Используя эти функции из ggplot2, мы можем многое узнать о переменных в наборе данных о бриллиантах .
Дополнительные ресурсы
В следующих руководствах объясняется, как исследовать другие наборы данных в R:
Полное руководство по набору данных Iris в R
Полное руководство по набору данных mtcars в R