大資料分析 - 圖表

分析資料的首要方法是進行視覺化分析。這樣做的目標通常是尋找變數之間的關係和變數的單變數描述。我們可以將這些策略分為：

• 單變數分析
• 多變數分析

單變數圖形方法

單變數是一個統計術語。實際上，這意味著我們希望獨立於其餘資料分析單個變數。能夠有效地做到這一點的圖表包括：

箱線圖

箱線圖通常用於比較分佈。這是直觀檢查不同分佈之間是否存在差異的好方法。我們可以檢視不同切割方式下鑽石價格是否存在差異。

# We will be using the ggplot2 library for plotting
library(ggplot2)  
data("diamonds")  

# We will be using the diamonds dataset to analyze distributions of numeric variables 
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  0.29    Premium     I      VS2    62.4    58     334     4.20  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 

### Box-Plots
p = ggplot(diamonds, aes(x = cut, y = price, fill = cut)) + 
   geom_box-plot() + 
   theme_bw() 
print(p)

我們可以從圖中看出，不同切割型別的鑽石價格分佈存在差異。

直方圖

source('01_box_plots.R')

# We can plot histograms for each level of the cut factor variable using 
facet_grid 
p = ggplot(diamonds, aes(x = price, fill = cut)) + 
   geom_histogram() + 
   facet_grid(cut ~ .) + 
   theme_bw() 

p  
# the previous plot doesn’t allow to visuallize correctly the data because of 
the differences in scale 
# we can turn this off using the scales argument of facet_grid  

p = ggplot(diamonds, aes(x = price, fill = cut)) + 
   geom_histogram() + 
   facet_grid(cut ~ ., scales = 'free') + 
   theme_bw() 
p  

png('02_histogram_diamonds_cut.png') 
print(p) 
dev.off()

上述程式碼的輸出如下：

多變數圖形方法

探索性資料分析中的多變數圖形方法旨在尋找不同變數之間的關係。通常使用兩種方法來實現此目的：繪製數值變數的相關矩陣，或者簡單地將原始資料繪製為散點圖矩陣。

為了演示這一點，我們將使用diamonds資料集。要執行程式碼，請開啟指令碼bda/part2/charts/03_multivariate_analysis.R。

library(ggplot2)
data(diamonds) 

# Correlation matrix plots  
keep_vars = c('carat', 'depth', 'price', 'table') 
df = diamonds[, keep_vars]  
# compute the correlation matrix 
M_cor = cor(df) 

#          carat       depth      price      table 
# carat 1.00000000  0.02822431  0.9215913  0.1816175 
# depth 0.02822431  1.00000000 -0.0106474 -0.2957785 
# price 0.92159130 -0.01064740  1.0000000  0.1271339 
# table 0.18161755 -0.29577852  0.1271339  1.0000000  

# plots 
heat-map(M_cor)

程式碼將產生以下輸出：

這是一個摘要，它告訴我們價格和克拉之間存在很強的相關性，而其他變數之間則相關性不大。

當我們有很多變數時，相關矩陣非常有用，在這種情況下，繪製原始資料是不切實際的。如前所述，也可以顯示原始資料：

library(GGally)
ggpairs(df) 

我們可以從圖中看到熱圖中顯示的結果得到了證實，價格和克拉變數之間存在0.922的相關性。

可以在散點圖矩陣的(3, 1)索引中找到價格-克拉散點圖，可以直觀地看到這種關係。