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
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
- 查看周一至周日每天分娩的总计人数
> births.dow <- table(births2006.smpl$DOB_WK)
> births.dow
1 2 3 4 5 6 7
40274 62757 69775 70290 70164 68380 45683
> barchart(births.dow,ylab='Day of Week',col='black')
解说：
*休息日分娩的人数要远少于工作日分娩的人数，据了解，剖腹产（C-section）一般是在工作日进行
- 自然分娩和剖腹产的具体时间情况
- 首先，分娩的方式分为两种，Vaginal和C-section，顺产和剖腹产（对于不知道分娩方式的记为unknown）
- 将星期几（WK）作为行，分娩方式（MM）作为列，计算列联表，并且去掉列表缺失项第二列的记录
- 将列联表（table)
> unique(births2006.smpl$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**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
提炼
对分类变量画条形图
- 对分类变量进行table()
- 再对table()后的结果进行barchart()
> births.dow <- table(births2006.smpl$DOB_WK)
> births.dow
1 2 3 4 5 6 7
40274 62757 69775 70290 70164 68380 45683
> barchart(births.dow,ylab='Day of Week',col='black')
做二维列联表
- 句法：table(纵轴，横轴)
> dob.dm.tbl <- table(WK = births2006.smpl$DOB_WK,
+ MM = births2006.smpl$DMETH_REC)
> dob.dm.tbl
MM
WK C-section Unknown Vaginal
1 8836 90 31348
2 20454 272 42031
3 22921 247 46607
4 23103 252 46935
5 22825 258 47081
6 23233 289 44858
7 10696 109 34878
- 列联表有多个横轴组
例如案例中的两种方式剖腹产和顺产，对这两种方式分组画条形图
> dob.dm.tbl <- dob.dm.tbl[,-2]
> dob.dm.tbl
> barchart(dob.dm.tbl,ylab = 'Day of Week') #图一，堆砌在一起
> barchart(dob.dm.tbl,horizontal = FALSE, groups = FALSE,
+ xlab = 'Day of Week',col = 'black') #图二，分别画
分组直方图/密度图/散点图/箱线图（数值型变量）
直方图
- 说明：
histogram(~数值变量|分类变量，data= ，layout = )
> histogram(~DBWT|DPLURAL,data = births2006.smpl,layout = c(1,5),
+ col = 'black') #layout = c(1,5)表示1列5行
密度图
- 说明：
- densityplot(~数值变量|分类变量，data= ，layout = )
- 或者densityplot(~数值型变量,groups = 分类型变量,data = ）
> densityplot(~DBWT|DPLURAL,data = births2006.smpl,layout = c(1,5),
+ plot.points = FALSE,col = 'black')
> densityplot(~DBWT,groups = DPLURAL,data = births2006.smpl,
+ plot.points = FALSE)
散点图
- 说明：
dotplot(~数值型变量| 分类型变量,data = ,layout =) #1
“|”表示条件，一旦有这个，就表示对数据按照某分类变量进行分组
xyplot(数值型变量~分类型变量,data= ,col=“black”) #2
相当于y~分类型变量，并没有进行分组
xyplot(数值型变量~分类型变量2|分类型变量1， data = ,layout =) #3
在分类型变量1的前提下，进行y~分类变量2
xyplot(数值型变量~数值型变量,data= ,col=“black”) #4
相当于y~x散点图，并没有进行分组
xyplot(数值型变量~数值型变量|分类型变量1， data = ,layout =) #5
在分类型变量1的前提下，进行y~x散点图
smoothScatter(x,y) #6
平滑散点图
> dotplot(~DBWT|DPLURAL,data=births2006.smpl,layout=c(1,5),plot.points=FALSE,col="black") #1
> xyplot(DBWT~DOB_WK,data=births2006.smpl,col="black") #2
> xyplot(DBWT~DOB_WK|DPLURAL,data=births2006.smpl,layout=c(1,5),col="black") #3
> xyplot(DBWT~WTGAIN,data=births2006.smpl,col="black") #4
> xyplot(DBWT~WTGAIN|DPLURAL,data=births2006.smpl,layout=c(1,5),col="black") #5
> smoothScatter(births2006.smpl$WTGAIN,births2006.smpl$DBWT) #6
箱线图
- 说明：
常规不用加载包，boxplot函数
boxplot(数值型变量~数值型变量, data= )
boxplot(数值型变量~分类型变量, data= )
不同之处在于横轴是分类型还是数值型
在lattice包下,bwplot()函数
bwplot(数值型变量~factor(分类型变量)|factor(分类型变量)，data = )
bwplot(数值型变量~factor(分类型变量), data = )
要对分类型变量进行factor；可以进行条件前提设置"|"
> boxplot(DBWT~APGAR5,data=births2006.smpl,ylab="DBWT",xlab="AGPAR5")
> boxplot(DBWT~DOB_WK,data=births2006.smpl,ylab="DBWT",xlab="Day of Week")
> bwplot(DBWT~factor(APGAR5)|factor(SEX),data=births2006.smpl,xlab="AGPAR5")
> bwplot(DBWT~factor(DOB_WK),data=births2006.smpl,xlab="Day of Week")
对数值型变量，分类后去均值
- 说明
tapply(vector, index, function),
vector 可以是数值，index要变成因子/分类型变量，function是对vector进行的函数操作，可以是mean，max，min等
- 可先对分组变量进行因子化（是否因子化不影响） t4
- index是有多个分类型变量要用list()进行组装 t5
- 套用tapply()函数，可以在这里面去掉缺少值，na.rm = TRUE
> fac=factor(births2006.smpl$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")
lattice包中水平图和等高图
- 说明：
- 去掉未知数据集
- 对两个连续变量进行分割cutt6
> 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')
文章目录
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：
- 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 = )
其中probs取值范围在之间 - 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])