Big-data-analytics-charts-and-graphs
提供:Dev Guides
ビッグデータ分析-チャートとグラフ
データを分析する最初のアプローチは、視覚的に分析することです。 これを行う目的は、通常、変数と変数の単変量記述との関係を見つけることです。 私たちはこれらの戦略を次のように分けることができます-
- 単変量解析
- 多変量解析
一変量のグラフィカルな方法
- 単変量*は統計用語です。 実際には、他のデータから独立して変数を分析することを意味します。 これを効率的に行うことができるプロットは-
箱ひげ図
通常、ボックスプロットは分布を比較するために使用されます。 分布に違いがあるかどうかを視覚的に検査するのに最適な方法です。 カットごとにダイヤモンドの価格に違いがあるかどうかを確認できます。
# 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)
プロットでは、カットの種類ごとにダイヤモンドの価格の分布に違いがあることがわかります。
ヒストグラム
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()
上記のコードの出力は次のようになります-
多変量グラフィカルメソッド
探索的データ分析の多変量グラフィカルメソッドには、異なる変数間の関係を見つけるという目的があります。 これを達成するために一般的に使用される2つの方法があります。数値変数の相関行列をプロットするか、生データを散布図の行列としてプロットするだけです。
これを実証するために、ダイヤモンドデータセットを使用します。 コードに従うには、スクリプト bda/part2/charts/03_multivariate_analysis.R を開きます。
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)
コードは次の出力を生成します-
これは要約であり、価格とキャレットの間には強い相関関係があり、他の変数にはあまり関係がないことを示しています。
相関行列は、多数の変数がある場合に役立ちます。この場合、生データのプロットは実用的ではありません。 前述のように、生データも表示することが可能です-
library(GGally)
ggpairs(df)
ヒートマップに表示される結果が確認されていることをプロットで確認できます。価格とカラット変数の間には0.922の相関があります。
この関係は、散布図行列の(3、1)インデックスにある価格-キャラット散布図で視覚化することができます。