大数据分析 - 图表和图形

分析数据的第一种方法是对其进行可视化分析。这样做的目标通常是找到变量和变量的单变量描述之间的关系。我们可以将这些策略分为 -

  • 单变量分析
  • 多变量分析

单变量图形方法

单变量是一个统计术语。在实践中，这意味着我们想要独立于其余数据来分析变量。允许有效地做到这一点的图是 -

箱线图

箱线图通常用于比较分布。这是直观检查分布之间是否存在差异的好方法。我们可以看看不同切工的钻石价格是否存在差异。

# 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)

我们可以在图中看到不同切工类型的钻石价格分布存在差异。

箱线图

直方图

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()

上述代码的输出如下 -

直方图

多元图形方法

探索性数据分析中的多变量图形方法的目的是发现不同变量之间的关系。有两种常用方法可以实现此目的：绘制数值变量的相关矩阵或简单地将原始数据绘制为散点图矩阵。

为了证明这一点，我们将使用钻石数据集。要遵循代码，请打开脚本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)

该代码将产生以下输出 -

热图

这是一个总结，它告诉我们价格和插入符之间有很强的相关性，而其他变量之间没有太大的相关性。

当我们有大量变量时，相关矩阵会很有用，在这种情况下绘制原始数据是不切实际的。如前所述，还可以显示原始数据 -

library(GGally)
ggpairs(df)

我们可以在图中看到热图中显示的结果得到证实，价格和克拉变量之间存在 0.922 的相关性。

散点图

可以在位于散点图矩阵 (3, 1) 索引的价格克拉散点图中可视化这种关系。