大数据分析 - 图表

分析数据的首要方法是进行可视化分析。这样做的目标通常是寻找变量之间的关系和变量的单变量描述。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。实际上，这意味着我们希望独立于其余数据分析单个变量。能够有效地做到这一点的图表包括：

箱线图

箱线图通常用于比较分布。这是直观检查不同分布之间是否存在差异的好方法。我们可以查看不同切割方式下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)

我们可以从图中看出，不同切割类型的钻石价格分布存在差异。

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：

多变量图形方法

探索性数据分析中的多变量图形方法旨在寻找不同变量之间的关系。通常使用两种方法来实现此目的：绘制数值变量的相关矩阵，或者简单地将原始数据绘制为散点图矩阵。

为了演示这一点，我们将使用diamonds数据集。要运行代码，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)

代码将产生以下输出：

这是一个摘要，它告诉我们价格和克拉之间存在很强的相关性，而其他变量之间则相关性不大。

当我们有很多变量时，相关矩阵非常有用，在这种情况下，绘制原始数据是不切实际的。如前所述，也可以显示原始数据：

library(GGally)
ggpairs(df) 

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

可以在散点图矩阵的(3, 1)索引中找到价格-克拉散点图，可以直观地看到这种关系。