Bài tập về nhà
Truong Le Ngoc Diep
2023-06-05
1 Bài tập tuần 7
1.1 Tìm 10 indicator
1.1.1 Cancer
## Warning: package 'WDI' was built under R version 4.2.3## Warning: package 'DT' was built under R version 4.2.3wdi1 <- WDIsearch('cancer')
SH <- WDI( indicator = 'SH.DYN.NCOM.ZS')
SH1 <- na.omit(SH)
datatable(SH1) - Đây là một chỉ số về tỷ lệ tử vong do bệnh tim mạch, ung thư, tiểu đường hoặc bệnh phổi mãn tính giữa độ tuổi 30 và 70 (%). Chỉ số này cho biết phần trăm người 30 tuổi sẽ chết trước khi đến tuổi 70 do bất kỳ bệnh tim mạch, ung thư, tiểu đường hoặc bệnh phổi mãn tính nào.
1.1.2 Interest
wdi2 <- WDIsearch('interest')
DI <- WDI( indicator = 'DT.INR.DECT.04.YR.SA.US')
DI1 <- na.omit(DI)
datatable(DI1)- Đây là một chỉ số về lãi nợ nước ngoài, công và tư, hiện hành, 4 năm hoặc ít hơn, lãi suất trung bình, USD. Chỉ số này cho biết lãi suất trung bình của các khoản nợ nước ngoài có thời hạn đáo hạn 4 năm hoặc ít hơn, bao gồm cả lãi suất của các khoản vay của chính phủ và lãi suất của các khoản vay của các đơn vị tư nhân.
1.1.3 Tax
- Đây là một chỉ số về mức thuế biên cao nhất, thuế doanh nghiệp (%). Chỉ số này cho biết mức thuế cao nhất được áp dụng cho thu nhập chịu thuế của các doanh nghiệp, theo lịch biểu của các mức thuế.
1.1.4 Income
wdi4 <- WDIsearch('income')
IN <- WDI( indicator = '3.0.IncShr.q1')
IN1 <- na.omit(IN)
datatable(IN1)- Đây là một chỉ số về tỷ lệ thu nhập của phân vị thứ nhất. Chỉ số này cho biết phần trăm thu nhập gia đình được nắm giữ bởi phân vị thấp nhất (0-20 phần trăm)
1.1.5 GDP
wdi5 <- WDIsearch('GDP')
GDP <- WDI( indicator = 'BN.GSR.FCTY.CD.ZS')
GDP1 <- na.omit(GDP)
datatable(GDP1)- Đây là một chỉ số về thu nhập thuần từ nước ngoài, hiện hành (% GDP). Chỉ số này cho biết tổng thu nhập thuần từ nước ngoài, bao gồm lãi, lương, tiền trợ cấp và các khoản chuyển nhượng khác, theo tỷ lệ phần trăm của GDP.
1.1.6 Child
- Đây là một chỉ số về tỷ lệ học sinh tiểu học bị suy dinh dưỡng (%). Chỉ số này cho biết phần trăm học sinh tiểu học có chiều cao thấp hơn so với trung bình của độ tuổi của họ, theo định nghĩa của Tổ chức Y tế Thế giới.
1.1.7 Unemployment
wdi7 <- WDIsearch('unemployment')
JI <- WDI( indicator = 'JI.UEM.1524.ZS')
JI1 <- na.omit(JI)
datatable(JI1)- Đây là một chỉ số về thất nghiệp, tổng số, giới tính 15-24 (% của lực lượng lao động giới tính 15-24) (ước tính ILO). Chỉ số này cho biết phần trăm lượng lao động ở cả hai giới tính, độ tuổi 15-24 không có việc làm nhưng có thể và đang tìm kiếm việc làm.
1.1.8 Invest
- Đây là một chỉ số về tỷ lệ đầu tư được tài trợ bởi ngân hàng (%). Chỉ số này cho biết tỷ lệ phần trăm các khoản mua sắm tài sản cố định được tài trợ từ các khoản vay ngân hàng, theo ước tính từ Khảo sát Doanh nghiệp của Ngân hàng Thế giới.
1.1.9 Temperature
wdi9 <- WDIsearch('temperature')
TE <- WDI( indicator = 'EN.CLC.MDAT.ZS')
TE1 <- na.omit(TE)
datatable(TE1)- Đây là một chỉ số về tỷ lệ hạn hán, lũ lụt, nhiệt độ cực đoan (% dân số, trung bình 1990-2009). Chỉ số này cho biết tỷ lệ phần trăm dân số bị ảnh hưởng bởi các thiên tai được phân loại là hạn hán, lũ lụt, hoặc nhiệt độ cực đoan hàng năm. Một hạn hán là một khoảng thời gian dài có thiếu hụt nước ở một khu vực do lượng mưa thấp hơn bình thường. Dân số bị ảnh hưởng là số người bị thương, mất nhà cửa hoặc cần sự giúp đỡ ngay lập tức trong một thời gian khẩn cấp do thiên tai; nó cũng có thể bao gồm những người bị di dời hoặc sơ tán.
1.1.10 Cost
- Đây là một chỉ số về tỷ lệ chi phí thu nhập của ngân hàng (%). Chỉ số này cho biết tỷ lệ phần trăm chi phí hoạt động của một ngân hàng so với tổng thu nhập lãi ròng và thu nhập hoạt động khác. Dữ liệu thô được lấy từ Bankscope và Orbis. Công thức được áp dụng cho Bankscope là data2090 / (data2080 + data2085) và một phương pháp tương đương được áp dụng cho Orbis. Tất cả tử số và mẫu số đều được tổng hợp trên cấp quốc gia trước khi chia. Chỉ số này được tính từ dữ liệu gốc của từng ngân hàng không hợp nhất từ Bankscope và Orbis.
1.2 Scrape dữ liệu
## Warning: package 'rvest' was built under R version 4.2.3## Warning: package 'stringr' was built under R version 4.2.3library(DT)
url <- "https://vn.investing.com/equities/south-korea"
html <- read_html(url)
h <- html |> html_element('table') |> html_table()
datatable(h)- Bảng dữ liệu trên là dữ liệu về thị trường chứng khoán của Hàn Quốc, bao gồm các cổ phiếu hàng đầu cũng như những loại cổ phiếu vốn hóa lớn và nhỏ.
1.3 Viết 1 function
## Warning: package 'AER' was built under R version 4.2.3## Loading required package: car## Warning: package 'car' was built under R version 4.2.3## Loading required package: carData## Warning: package 'carData' was built under R version 4.2.3## Loading required package: lmtest## Warning: package 'lmtest' was built under R version 4.2.3## Loading required package: zoo## Warning: package 'zoo' was built under R version 4.2.3##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Loading required package: sandwich## Warning: package 'sandwich' was built under R version 4.2.3## Loading required package: survivaldata('RecreationDemand')
pie_chart <- function(data, x, y) {
agg_data <- aggregate(data[[y]], by = list(data[[x]]), FUN = sum)
colnames(agg_data) <- c("income", "trips")
agg_data$percent <- round(agg_data$trips / sum(agg_data$trips) * 100, 2)
pie(agg_data$percent, labels = paste(agg_data$income, agg_data$percent, "%"), main = paste("Pie chart for", y, "by", x))
}
pie_chart(RecreationDemand, "income", "trips")
2 Giới thiệu về dataset RecreationDemand
RecreationDemand (Nhu cầu giải trí): Dữ liệu chéo về số lượng các chuyến chèo thuyền giải trí đến hồ Somerville, Texas, vào năm 1980, dựa trên một cuộc khảo sát được thực hiện với 2.000 chủ sở hữu thuyền giải trí đã đăng ký ở 23 quận ở phía đông Texas:
trips (T) Số chuyến chèo thuyền giải trí đến hồ Somerville
quality (Q) Xếp hạng chất lượng chủ quan về cơ sở trên thang điểm từ 1 đến 5
ski (S) Người thực hiện khảo sát có tham gia trượt nước ở hồ không?
income (I) Thu nhập hộ gia đình hàng năm của người thực hiện khảo sát (tính bằng 1.000 USD)
userfee (U) Người thực hiện khảo sát có trả phí sử dụng hàng năm tại hồ Somerville không?
costC (CC) Chi phí tham quan hồ Conroe (USD)
costS (CS) Chi phí tham quan hồ Somerville (USD)
costH (CH) Chi phí tham quan hồ Houston (USD)
3 Bài tập tuần 5
3.0.1 So sánh mức trả phí trung bình ở cả ba hồ
## [1] 59.92805## [1] 55.4237## [1] 55.9903Hồ Somerville: 59.92 (USD)
Hồ Conroe: 55.42 (USD)
Hồ Houston: 55.99 (USD)
-> Qua đây ta thấy được mức trả phí trung bình ở hồ Somerville là cao nhất 59.92 (USD) và thấp nhất là hồ Conroe 55.42 (USD)
3.0.2 Tìm số người có chi phí tham quan ở ba hồ trên mức trung bình
## [1] 260## [1] 204## [1] 228Có 260/659 người có mức trả phí cho hồ Somerville trên 55.42 (USD)
Có 204/659 ngườicó mức trả phí cho hồ Conroe trên 59.92 (USD)
Có 228/659 người có mức trả phí cho hồ Houston trên 55.99 (USD)
-> Khảo sát này có tác dụng nếu trong tương lai quản lý của các hồ tham quan này có áp dụng chương trình ưu đãi dành cho khách hàng có mức trả phí trên mức trung bình thì có thể dựa vào số liệu này để dự tính số lượng khách hàng có thể sẽ đáp ứng.
3.0.3 Lập bảng tần số cho biến “ski” và “userfee” và phân tích:
##
## no yes
## no 410 7
## yes 236 6- Trong 417 người không tham gia trượt nước ở hồ Somerville thì có 410 người không trả phí hàng năm tại hồ và 7 người có trả phí.
- Trong 242 người có tham gia trượt nước ở hồ SOmerville thì có 236 người không trả phí hàng năm tại hồ và 6 người có trả phí.
3.0.4 Phân bố số lần du lịch thuyền theo thu nhập
ggplot(RecreationDemand, aes(x = income, y = trips)) +
geom_point() +
geom_smooth(method = "loess") +
labs(x = "Thu nhập hàng năm (nghìn USD)", y = "Số lần du lịch thuyền")## `geom_smooth()` using formula = 'y ~ x'
- Từ biểu đồ, ta có thể thấy rằng số lần du lịch thuyền có xu hướng tăng
khi thu nhập tăng, nhưng không đều và có nhiều ngoại lệ. Đường cong
loess cho thấy mối quan hệ giữa hai biến không phải là tuyến tính.
3.0.5 Hệ số tương quan giữa chi phí du lịch và số lần du lịch thuyền ở các hồ khác nhau
## trips costC costS costH
## trips 1.00000000 -0.04221274 -0.1237036 -0.02051193
## costC -0.04221274 1.00000000 0.9766786 0.98649929
## costS -0.12370362 0.97667860 1.0000000 0.96462307
## costH -0.02051193 0.98649929 0.9646231 1.00000000- Từ bảng, ta có thể thấy rằng hệ số tương quan giữa chi phí du lịch và số lần du lịch thuyền ở các hồ khác nhau đều là âm, nhưng rất nhỏ (khoảng -0.1). Điều này cho thấy mối quan hệ giữa hai biến là yếu và không rõ ràng. Có thể do chi phí du lịch không phải là yếu tố quyết định cho số lần du lịch thuyền, mà còn phụ thuộc vào nhiều yếu tố khác như thu nhập, chất lượng cơ sở, hoặc sở thích cá nhân.
4 Bài tập tuần 4
4.2 Đồ thị dạng Scatter
4.2.1 Biểu đồ phân tán số chuyến chèo thuyền theo thu nhập
ggplot(RecreationDemand, aes(x = income, y = trips)) +
geom_point(aes(color = userfee), size = 3) +
geom_smooth(method = lm, se = T, color = 'green') +
labs(title = "Biểu đồ phân tán số chuyến chèo thuyền theo thu nhập",
x = "Thu nhập hộ gia đình (1.000 USD)",
y = "Số chuyến chèo thuyền")## `geom_smooth()` using formula = 'y ~ x'
Số chuyến chèo thuyền (trips) có mối tương quan dương với thu nhập hộ gia đình (income), điều này có nghĩa là khi thu nhập của hộ gia đình cao hơn thì Số chuyến chèo thuyền sẽ tăng và ngược lại.
Có sự khác biệt về thu nhập giữa những người trả phí sử dụng hàng năm (userfee) và những người không trả phí. Những người trả phí sử dụng hàng năm có xu hướng có thu nhập cao hơn những người không trả phí.
4.2.2 Biểu đồ phân tán số chuyến chèo thuyền theo chất lượng
ggplot(RecreationDemand, aes(x = quality, y = trips)) +
geom_point(aes(color = userfee), size = 3) +
geom_smooth(method = lm, se = FALSE) +
labs(title = "Biểu đồ phân tán số chuyến chèo thuyền theo chất lượng",
x = "Xếp hạng chất lượng về cơ sở",
y = "Số chuyến chèo thuyền")## `geom_smooth()` using formula = 'y ~ x'
- Qua biểu đồ ta thấy có sự khác biệt về đánh giá chất lượng cơ sở vật chất giữa những người trả phí sử dụng hàng năm và những người không trả phí, những người trả phí sử dụng hàng năm có xu hướng đánh giá chất lượng cơ sở vật chất cao hơn những người không trả phí.
4.3 Đồ thị cột
d3 <- d %>% mutate(level = case_when(quality == "0" ~ "Không tham gia",
quality == "1" ~ "Đ/giá thấp",
quality == "2" ~ "Đ/giá thấp",
quality == "3" ~ "Đ/giá trung bình",
quality == "4" ~ "Đ/giá trung bình",
quality == "5" ~ "Đ/giá cao"))
d3 |> ggplot(aes(x = level, y = after_stat(count))) +
geom_bar(fill = 'blue') +
geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat = 'count', color = 'red', vjust = - .5) +
facet_grid(. ~ userfee) +
theme_classic() +
labs(x = 'Mức hài lòng', y = 'Phần trăm')
Ta tạo thêm biến level thể hiện mức hài lòng của người tham gia bằng dữ liệu định tính từ dữ liệu của biến quality.
Qua biểu đồ ta thấy tỷ lệ người đánh giá cao và có trả phí hàng năm thì thấp hơn tỷ lệ người đánh giá cao và không trả phí, ở mức đánh giá trung bình và thấp cũng tương tự như vậy, tỷ lệ người có trả phí luôn thấp hơn nhiều so với tỷ lệ người không trả phí.
Chúng ta cũng có thể vẽ đồ thi dạng cột theo biến level và chồng chúng lên nhau như sau để dễ phân tích hơn:
d3 |> ggplot(aes(x = level)) +
geom_bar(aes(y = after_stat(count), fill = userfee), stat = 'count') +
ylab('Số người đánh giá') +
xlab('Mức hài lòng')
5 Bài tập tuần 3
5.1 pivot_longer
Gọi package ‘tidyverse’, ‘tidyr’, dữ liệu RecreationDemand để thực hiện các câu lệnh:
library(tidyverse)
library(tidyr)
data('RecreationDemand', package = 'AER')
d <- RecreationDemand
str(d)## 'data.frame': 659 obs. of 8 variables:
## $ trips : num 0 0 0 0 0 0 0 0 0 0 ...
## $ quality: num 0 0 0 0 0 0 0 0 0 2 ...
## $ ski : Factor w/ 2 levels "no","yes": 2 1 2 1 2 2 1 2 1 1 ...
## $ income : num 4 9 5 2 3 5 1 5 2 3 ...
## $ userfee: Factor w/ 2 levels "no","yes": 1 1 1 1 1 1 1 1 1 1 ...
## $ costC : num 67.6 68.9 58.1 15.8 24 ...
## $ costS : num 68.6 70.9 59.5 13.8 34 ...
## $ costH : num 76.8 84.8 72.1 23.7 34.5 ...Đưa biến ‘income’ về đơn vị USD, rút gọn số lượng biến của ‘d’ từ 8 biến còn 6 biến, gộp 4 biến ‘income’, ‘costC’, ‘costS’, ‘costH’ thành một biến ‘COST’ và giá trị tương ứng được thể hiện ở biến ‘USD’, quan sát thu nhập hộ gia đình hàng năm và chi phí tham quan của người thực hiện khảo sát ở cả 3 hồ trên cùng một biến:
d$income <- d$income*1000
d1 <- d %>% pivot_longer(cols = c(income, starts_with('cost')), names_to = 'COST', values_to = 'USD') # lấy tất cả dữ liệu
d1## # A tibble: 2,636 × 6
## trips quality ski userfee COST USD
## <dbl> <dbl> <fct> <fct> <chr> <dbl>
## 1 0 0 yes no income 4000
## 2 0 0 yes no costC 67.6
## 3 0 0 yes no costS 68.6
## 4 0 0 yes no costH 76.8
## 5 0 0 no no income 9000
## 6 0 0 no no costC 68.9
## 7 0 0 no no costS 70.9
## 8 0 0 no no costH 84.8
## 9 0 0 yes no income 5000
## 10 0 0 yes no costC 58.1
## # ℹ 2,626 more rows5.2 pivot_wider
library(tidyr)
data(relig_income)
ec2 <- economics %>% as_tibble() %>%
transmute(year = year(date),
month = month(date),
rate = unemploy) %>%
filter(year > 2005) %>%
pivot_wider(names_from = "month", values_from = "rate")
ec2## # A tibble: 10 × 13
## year `1` `2` `3` `4` `5` `6` `7` `8` `9` `10` `11` `12`
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2006 7064 7184 7072 7120 6980 7001 7175 7091 6847 6727 6872 6762
## 2 2007 7116 6927 6731 6850 6766 6979 7149 7067 7170 7237 7240 7645
## 3 2008 7685 7497 7822 7637 8395 8575 8937 9438 9494 10074 10538 11286
## 4 2009 12058 12898 13426 13853 14499 14707 14601 14814 15009 15352 15219 15098
## 5 2010 15046 15113 15202 15325 14849 14474 14512 14648 14579 14516 15081 14348
## 6 2011 14013 13820 13737 13957 13855 13962 13763 13818 13948 13594 13302 13093
## 7 2012 12797 12813 12713 12646 12660 12692 12656 12471 12115 12124 12005 12298
## 8 2013 12471 11950 11689 11760 11654 11751 11335 11279 11270 11136 10787 10404
## 9 2014 10202 10349 10380 9702 9859 9460 9608 9599 9262 8990 9090 8717
## 10 2015 8903 8610 8504 8526 NA NA NA NA NA NA NA NA5.3 mutate
Tạo thêm biến level thể hiện mức hài lòng của người tham gia bằng dữ liệu định tính, lấy d là tham số đầu vào, gán mutate vào d2 trong đó nếu quality có phản hồi là “0” nghĩa là người đó không tham gia, “1” và “2” là đánh giá thấp, “3” và “4” đánh giá trung bình, “5” là đánh giá cao; sau đó thể hiện 6 quan sát đầu và 6 quan sát cuối của d2:
d3 <- d %>% mutate(level = case_when(quality == "0" ~ "Không tham gia",
quality == "1" ~ "Đánh giá thấp",
quality == "2" ~ "Đánh giá thấp",
quality == "3" ~ "Đánh giá trung bình",
quality == "4" ~ "Đánh giá trung bình",
quality == "5" ~ "Đánh giá cao"))
head(d3)## trips quality ski income userfee costC costS costH level
## 1 0 0 yes 4000 no 67.59 68.620 76.800 Không tham gia
## 2 0 0 no 9000 no 68.86 70.936 84.780 Không tham gia
## 3 0 0 yes 5000 no 58.12 59.465 72.110 Không tham gia
## 4 0 0 no 2000 no 15.79 13.750 23.680 Không tham gia
## 5 0 0 yes 3000 no 24.02 34.033 34.547 Không tham gia
## 6 0 0 yes 5000 no 129.46 137.377 137.850 Không tham gia## trips quality ski income userfee costC costS costH level
## 654 30 4 yes 3000 no 52.57 39.838 57.297 Đánh giá trung bình
## 655 40 5 yes 5000 yes 25.63 18.916 29.684 Đánh giá cao
## 656 40 3 yes 3000 no 18.46 13.330 25.800 Đánh giá trung bình
## 657 40 2 yes 4000 no 58.84 47.000 62.760 Đánh giá thấp
## 658 50 4 yes 4000 no 35.67 25.694 37.269 Đánh giá trung bình
## 659 88 2 no 2000 no 22.49 6.210 25.460 Đánh giá thấp6 Bài tập tuần 2
6.1 Chia bậc cho biến income (thu nhập) và lập bảng tần số, tìm tỉ lệ người tham gia trượt nước ở các bậc đã chia:
data('RecreationDemand', package = 'AER')
d <- RecreationDemand
income <-cut(d$income, breaks=c(0,3,6,9), labels=c('Thấp', 'Trung bình', 'Cao'))
table(income)## income
## Thấp Trung bình Cao
## 335 265 59Với mức lương trải dài trong khoảng 1-9.000 USD, bảng tần số cho thấy:
Có 335/659 người có thu nhập hộ gia đình trong khoảng 0-3.000 USD/ năm
Có 265/659 người có thu nhập hộ gia đình trong khoảng 3-6.000 USD/ năm
Có 59/659 người có thu nhập hộ gia đình trong khoảng 6-9.000 USD/ năm
incomeyes1 <- d[d$income <3 & d$ski == 'yes',] # 17/335 cao
incomeyes2 <- d[d$income >=3 & d$income <6 & d$ski == 'yes',] # 169/265 tb
incomeyes3 <- d[d$income >=6 & d$ski == 'yes',] # 56/335 thapTrong 335 người có thu nhập hộ gia đình hàng năm Thấp thì có 17 người tham gia trượt nước (5.07%)
Trong 265 người có thu nhập hộ gia đình hàng năm Trung bình thì có 169 người tham gia trượt nước (63.77%)
Trong 59 người có thu nhập hộ gia đình hàng năm Cao thì có 56 người tham gia trượt nước (94.92%)
-> Qua thống kê ta thấy, ở mức thu nhập hộ gia đình hàng năm càng cao thì tỉ lệ người tham gia trượt nước càng cao.
6.2 Chia bậc và tìm mức thu nhập trung bình hộ gia đình hàng năm của người thực hiện khảo sát có chi phí tham quan ở cả ba hồ >= 300 USD:
costC <-cut(d$costC, breaks=c(0,150,300,500), labels=c('Thấp', 'Trung bình', 'Cao'))
costS <-cut(d$costS, breaks=c(0,150,300,500), labels=c('Thấp', 'Trung bình', 'Cao'))
costH <-cut(d$costH, breaks=c(0,150,300,500), labels=c('Thấp', 'Trung bình', 'Cao'))
aggregate(d$income, list(d$costC>=300), FUN = 'mean')## Group.1 x
## 1 FALSE 3.848855
## 2 TRUE 4.500000## Group.1 x
## 1 FALSE 3.848855
## 2 TRUE 4.500000## Group.1 x
## 1 FALSE 3.848855
## 2 TRUE 4.500000True trả về kết quả đúng (costC >=300) thì có income trb là … False trả về kết quả sai (costC <300) thì có income trb là …
Thu nhập trung bình hộ gia đình hàng năm của người thực hiện khảo sát có chi phí tham gia ở cả 3 hồ >= 300 USD:
Ở hồ Conroe: 4.500 USD
Ở hồ Somerville: 4.500 USD
Ở hồ Houston: 4.500 USD
-> Vậy thu nhập trung bình hộ gia đình hàng năm của người thực hiện khảo sát có chi phí tham gia ở cả ba hồ >= 300 USD đều tương đương nhau là 4.500 USD.
7 Bài tập tuần 1
##Lấy dữ liệu "RecreationDemand" từ package "AER"
data('RecreationDemand', package = 'AER')
##Gán dữ liệu "RecreationDemand" vào d
d <- RecreationDemand
##Xem cấu trúc dữ liệu d
str(d)## 'data.frame': 659 obs. of 8 variables:
## $ trips : num 0 0 0 0 0 0 0 0 0 0 ...
## $ quality: num 0 0 0 0 0 0 0 0 0 2 ...
## $ ski : Factor w/ 2 levels "no","yes": 2 1 2 1 2 2 1 2 1 1 ...
## $ income : num 4 9 5 2 3 5 1 5 2 3 ...
## $ userfee: Factor w/ 2 levels "no","yes": 1 1 1 1 1 1 1 1 1 1 ...
## $ costC : num 67.6 68.9 58.1 15.8 24 ...
## $ costS : num 68.6 70.9 59.5 13.8 34 ...
## $ costH : num 76.8 84.8 72.1 23.7 34.5 ...## T Q S I U CC CS CH
## 1 0 0 yes 4 no 67.59 68.620 76.800
## 2 0 0 no 9 no 68.86 70.936 84.780
## 3 0 0 yes 5 no 58.12 59.465 72.110
## 4 0 0 no 2 no 15.79 13.750 23.680
## 5 0 0 yes 3 no 24.02 34.033 34.547
## 6 0 0 yes 5 no 129.46 137.377 137.850##Gán biến I trong data(RecreationDemand) vào "income"
income <- d$I
##Lấy dữ liệu thứ 5 trong "income"
income[5]## [1] 3##Gán biến CC trong data(RecreationDemand) vào "costC"
costC <- d$CC
##Chi phí tham quan hồ Conroe từ 80 đến 100 USD
costC1 <- costC[costC>80 & costC<100]
costC1## [1] 97.28 86.35 87.56 83.14 81.89 94.00 82.49 84.83 83.49 89.51 89.85 99.50
## [13] 82.86 98.01 92.94 91.22 93.51 93.42 91.92 86.26 99.11 82.50 91.58 89.86
## [25] 82.97 85.12 81.63 82.74 80.21 90.49 93.49 90.29 81.14 89.97 88.28 98.30
## [37] 85.17 92.51 84.44 86.14 81.51##Chi phí tham quan hồ Somerville trên 80 USD và hồ Houston trên 100 USD
costSH <- d[d$CS>80 & d$CH>100,]
costSH## T Q S I U CC CS CH
## 6 0 0 yes 5 no 129.46 137.377 137.850
## 9 0 0 no 2 no 127.64 127.571 134.670
## 15 0 0 yes 4 no 129.31 137.680 130.400
## 22 0 0 yes 7 no 147.67 154.022 147.178
## 39 0 0 yes 1 no 230.04 216.420 226.620
## 53 0 0 no 4 no 116.85 120.125 112.755
## 60 0 0 yes 3 no 138.28 143.724 127.200
## 63 0 0 yes 9 no 143.08 148.033 137.767
## 75 0 1 no 7 no 356.72 358.163 350.390
## 86 0 0 yes 6 no 182.96 196.451 176.917
## 90 0 0 no 3 no 349.06 357.140 343.920
## 94 0 0 no 4 no 214.53 202.050 207.560
## 95 0 0 no 3 no 149.18 164.762 139.400
## 96 0 0 no 5 no 131.44 145.880 123.960
## 109 0 0 no 3 no 102.05 112.680 102.289
## 137 0 0 yes 2 no 151.24 160.080 148.760
## 165 0 0 no 2 no 126.43 136.720 132.767
## 168 0 0 yes 3 no 127.33 144.050 118.640
## 170 0 0 yes 3 no 168.68 147.860 162.920
## 174 0 0 yes 4 no 108.19 133.875 108.080
## 177 0 3 yes 5 no 493.77 491.547 491.049
## 184 0 0 no 3 no 329.12 336.389 328.177
## 191 0 0 no 3 no 195.84 202.953 196.480
## 212 0 0 no 4 no 262.56 261.610 262.395
## 216 0 0 no 4 no 118.20 123.590 116.880
## 223 0 4 no 8 no 111.42 104.980 108.040
## 245 0 0 yes 6 no 118.94 113.000 120.892
## 250 0 0 yes 9 no 108.41 112.811 105.478
## 255 0 0 yes 9 no 166.03 177.500 161.470
## 259 0 0 yes 1 no 125.32 142.960 124.420
## 260 0 0 no 1 no 217.27 236.780 217.617
## 306 0 3 yes 4 no 129.32 129.473 136.320
## 310 0 0 no 5 no 118.23 120.447 112.970
## 320 0 0 no 1 no 126.23 136.109 127.446
## 351 0 0 yes 1 no 147.36 151.317 143.580
## 355 0 1 no 3 no 133.34 130.567 141.327
## 380 0 0 no 2 no 211.23 219.280 213.485
## 383 0 0 no 5 no 118.60 122.727 113.580
## 389 0 0 no 3 no 100.26 93.758 102.427
## 406 0 0 no 9 no 176.76 153.660 178.800
## 412 0 3 yes 4 no 113.86 118.060 107.360
## 422 1 3 no 2 no 122.50 122.647 120.060
## 423 1 4 no 3 no 103.84 93.880 113.000
## 424 1 3 yes 4 no 93.42 87.305 107.360
## 428 1 2 yes 5 no 139.22 155.140 139.180
## 437 1 4 no 4 no 108.64 118.857 184.086
## 441 1 5 yes 4 no 122.63 123.840 106.505
## 444 1 4 no 2 no 129.48 124.200 128.600
## 445 1 3 yes 3 no 118.70 116.413 124.827
## 449 1 4 no 4 no 128.59 137.784 124.636
## 466 1 3 yes 3 no 138.84 148.680 132.160
## 467 1 3 yes 3 no 100.67 98.597 110.127
## 481 1 3 yes 9 no 271.09 278.520 276.470
## 492 2 4 no 2 no 85.12 94.857 103.400
## 498 2 5 no 3 no 119.56 117.650 117.980
## 500 2 5 no 2 no 105.88 113.800 121.407
## 505 2 3 yes 6 no 127.60 131.973 122.247
## 520 2 3 no 4 no 180.04 186.580 172.480
## 528 3 3 yes 2 no 93.49 91.050 100.700
## 533 3 3 yes 5 no 125.12 96.137 120.500
## 538 3 4 no 5 no 119.55 117.554 116.083
## 550 3 3 yes 4 no 158.92 162.430 155.260
## 558 4 3 yes 3 no 134.11 140.509 141.589
## 560 4 0 yes 7 no 118.86 113.396 111.736
## 571 4 3 no 9 no 173.91 170.394 182.470
## 574 4 5 yes 2 no 133.14 129.937 136.140
## 581 5 1 no 5 yes 125.03 113.887 127.087
## 582 5 3 yes 5 no 128.66 140.188 123.498
## 586 5 4 yes 9 no 276.99 262.080 288.460
## 619 10 5 yes 5 no 103.81 81.100 102.790
## 624 11 5 no 5 no 111.26 110.957 108.900
## 629 12 5 yes 5 no 111.39 119.214 109.309## [1] 68.620 70.936 59.465 13.750 34.033 137.377 42.450 36.790 127.571
## [10] 29.945 41.358 32.393 111.764 11.923 137.680 53.493 47.183 23.339
## [19] 25.442 34.150 36.683 154.022 29.009 52.454 29.533 40.583 104.502
## [28] 41.694 49.350 54.613 94.700 28.417 32.873 38.904 34.504 50.342
## [37] 70.294 34.750 216.420 109.320 71.750 51.107 29.614 45.725 106.420
## [46] 22.600 86.857 35.125 39.090 73.694 68.677 44.617 120.125 46.366
## [55] 33.685 71.897 43.066 7.530 105.733 143.724 37.567 19.900 148.033
## [64] 47.770 40.821 35.750 40.355 60.280 39.483 51.693 70.202 55.920
## [73] 66.313 57.330 358.163 41.533 22.737 49.667 78.457 53.307 49.650
## [82] 53.883 71.900 62.434 37.683 196.451 100.147 67.070 34.750 357.140
## [91] 33.377 80.207 65.557 202.050 164.762 145.880 55.360 39.164 69.160
## [100] 78.147 45.777 97.066 91.207 59.980 42.388 58.240 84.527 44.867
## [109] 112.680 30.540 84.770 31.650 52.133 43.650 40.127 28.121 46.313
## [118] 59.980 30.250 44.606 29.975 86.290 46.590 26.888 35.883 30.696
## [127] 106.480 22.283 56.973 38.883 28.750 47.450 24.312 28.950 44.567
## [136] 79.960 160.080 28.183 57.773 89.880 12.161 156.550 65.628 36.350
## [145] 46.174 53.420 23.603 29.257 62.102 40.036 18.696 48.250 29.367
## [154] 20.071 67.840 30.682 82.117 47.083 28.517 41.010 59.150 52.350
## [163] 26.417 73.117 136.720 38.190 45.583 144.050 67.350 147.860 20.467
## [172] 19.557 91.060 133.875 55.250 41.080 491.547 62.321 67.450 51.317
## [181] 48.406 38.964 44.983 336.389 44.983 81.850 43.161 63.610 24.300
## [190] 43.490 202.953 26.250 24.140 89.090 46.630 35.057 45.850 19.672
## [199] 62.547 76.510 41.683 55.573 32.783 49.067 44.183 33.383 54.383
## [208] 91.533 58.283 33.040 37.290 261.610 82.080 24.583 21.233 123.590
## [217] 26.955 50.750 19.755 21.109 56.283 84.517 104.980 75.350 49.383
## [226] 71.380 40.610 29.850 63.167 42.180 53.357 26.687 31.233 111.213
## [235] 42.388 47.800 72.835 49.140 25.930 47.710 33.337 51.767 39.025
## [244] 34.983 113.000 88.413 29.417 56.313 38.621 112.811 56.303 50.433
## [253] 42.050 53.560 177.500 31.817 68.180 95.329 142.960 236.780 50.667
## [262] 51.283 94.000 48.920 15.267 45.850 21.000 94.302 25.803 51.366
## [271] 37.550 41.890 24.228 33.287 43.650 49.517 29.650 34.983 57.400
## [280] 55.717 35.450 33.100 39.065 25.483 50.850 36.736 27.710 69.740
## [289] 42.083 16.267 39.983 103.600 59.250 37.737 32.003 9.289 112.815
## [298] 15.350 52.500 59.190 38.383 29.250 26.775 64.280 35.167 129.473
## [307] 27.917 33.517 41.950 120.447 28.490 37.550 60.850 33.603 26.183
## [316] 36.303 56.950 65.340 25.673 136.109 13.550 52.950 28.383 90.027
## [325] 48.990 39.483 37.200 94.107 65.594 80.940 59.340 38.750 31.127
## [334] 44.067 50.170 24.406 40.907 39.593 43.294 47.040 31.550 42.917
## [343] 30.417 71.947 52.817 88.400 37.460 33.950 30.250 42.770 151.317
## [352] 58.650 53.973 73.107 130.567 36.083 44.750 27.917 35.520 25.650
## [361] 33.150 40.950 37.367 43.050 102.713 31.950 45.813 72.207 65.935
## [370] 45.570 35.117 27.220 37.783 39.713 75.993 69.940 62.480 39.850
## [379] 27.350 219.280 24.536 40.300 122.727 25.050 31.477 69.020 46.547
## [388] 58.650 93.758 64.272 43.550 49.250 43.990 49.517 25.961 39.227
## [397] 17.128 60.910 42.577 46.606 45.135 17.003 60.150 25.350 9.793
## [406] 153.660 59.279 37.783 51.510 79.027 51.050 118.060 108.500 61.080
## [415] 54.150 101.613 24.117 49.250 28.750 102.373 35.350 122.647 93.880
## [424] 87.305 45.250 33.883 75.000 155.140 39.850 26.183 70.840 21.165
## [433] 44.840 45.500 37.750 18.350 118.857 36.680 65.480 23.494 123.840
## [442] 68.147 84.220 124.200 116.413 57.250 35.350 67.240 137.784 44.340
## [451] 109.540 31.317 48.307 50.117 56.450 43.150 50.090 73.013 99.780
## [460] 70.940 41.450 55.920 73.507 44.550 28.872 148.680 98.597 21.707
## [469] 96.620 18.861 29.267 91.750 92.067 92.000 99.878 60.750 66.040
## [478] 73.554 38.940 89.320 278.520 25.083 64.917 78.280 43.550 77.047
## [487] 74.480 17.107 23.126 75.500 40.950 94.857 13.500 30.267 78.200
## [496] 10.117 72.467 117.650 25.767 113.800 42.697 40.167 46.604 35.775
## [505] 131.973 29.693 39.650 81.414 47.771 27.140 41.893 46.583 96.806
## [514] 51.981 74.515 62.450 66.780 60.250 39.590 186.580 57.450 86.540
## [523] 53.900 21.729 18.850 83.783 25.717 91.050 57.667 40.583 76.637
## [532] 22.540 96.137 74.413 64.800 58.050 43.450 117.554 16.150 37.200
## [541] 27.312 39.600 18.200 79.233 12.150 41.583 39.988 36.550 49.094
## [550] 162.430 61.590 39.933 88.230 8.057 18.250 56.680 41.830 140.509
## [559] 40.867 113.396 34.350 77.540 106.467 42.236 73.950 32.183 83.000
## [568] 31.050 71.896 47.600 170.394 16.767 18.140 129.937 110.400 22.317
## [577] 56.360 13.693 55.255 73.150 113.887 140.188 21.306 44.807 29.850
## [586] 262.080 43.883 17.233 36.393 82.023 52.913 52.865 59.833 80.897
## [595] 107.847 67.557 32.223 51.950 24.650 40.200 60.763 14.350 34.717
## [604] 11.033 21.075 24.741 28.117 91.333 37.562 36.264 30.317 28.088
## [613] 30.000 21.710 85.800 25.040 19.007 55.583 81.100 72.680 73.930
## [622] 76.967 40.817 110.957 39.900 20.158 48.700 23.283 119.214 16.300
## [631] 57.280 19.800 21.163 48.155 85.480 23.983 65.357 20.338 76.075
## [640] 15.550 40.800 68.396 12.172 47.325 4.767 27.607 37.944 8.325
## [649] 12.712 11.650 59.123 55.783 48.089 39.838 18.916 13.330 47.000
## [658] 25.694 6.210## [1] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [7] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [13] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [19] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [25] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [31] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [37] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [43] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [49] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [55] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [61] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [67] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [73] (4.28,126] (4.28,126] (248,370] (4.28,126] (4.28,126] (4.28,126]
## [79] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [85] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126] (248,370]
## [91] (4.28,126] (4.28,126] (4.28,126] (126,248] (126,248] (126,248]
## [97] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [103] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [109] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [115] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [121] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [127] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [133] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126]
## [139] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [145] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [151] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [157] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [163] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (126,248]
## [169] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [175] (4.28,126] (4.28,126] (370,492] (4.28,126] (4.28,126] (4.28,126]
## [181] (4.28,126] (4.28,126] (4.28,126] (248,370] (4.28,126] (4.28,126]
## [187] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126]
## [193] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [199] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [205] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [211] (4.28,126] (248,370] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [217] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [223] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [229] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [235] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [241] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [247] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [253] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [259] (126,248] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [265] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [271] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [277] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [283] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [289] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [295] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [301] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [307] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [313] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [319] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [325] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [331] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [337] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [343] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [349] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126]
## [355] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [361] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [367] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [373] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [379] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [385] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [391] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [397] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [403] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [409] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [415] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [421] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [427] (4.28,126] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [433] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [439] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [445] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126]
## [451] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [457] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [463] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [469] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [475] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [481] (248,370] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [487] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [493] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [499] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [505] (126,248] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [511] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [517] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [523] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [529] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [535] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [541] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [547] (4.28,126] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [553] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [559] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [565] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [571] (126,248] (4.28,126] (4.28,126] (126,248] (4.28,126] (4.28,126]
## [577] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (126,248]
## [583] (4.28,126] (4.28,126] (4.28,126] (248,370] (4.28,126] (4.28,126]
## [589] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [595] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [601] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [607] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [613] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [619] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [625] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [631] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [637] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [643] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [649] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## [655] (4.28,126] (4.28,126] (4.28,126] (4.28,126] (4.28,126]
## Levels: (4.28,126] (126,248] (248,370] (370,492]##
## (4.28,126] (126,248] (248,370] (370,492]
## 615 37 6 1## [1] 4.341205 4.440060 4.278193 3.164631 3.542321 4.926166 3.786460 3.210844
## [9] 4.902827 3.334701 3.734259 3.360028 4.576421 3.189653 4.870607 3.909821
## [17] 3.693369 2.778198 2.714695 3.147595 3.384390 4.991643 3.552487 4.053523
## [25] 3.402763 3.353407 4.592470 3.244427 3.931826 4.091006 4.491497 3.522825
## [33] 3.141865 3.555348 3.421000 3.742420 4.058717 3.885268 5.423275 4.585783
## [41] 3.789177 3.862139 3.598106 3.657569 4.583742 2.322388 4.396423 3.271468
## [49] 3.331490 4.228977 4.128746 3.410487 4.725217 3.608672 3.171365 4.159508
## [57] 3.565185 1.856298 4.584763 4.845761 3.397524 2.682390 4.925564 3.759571
## [65] 3.505257 2.963571 3.518536 3.934958 3.480625 3.885001 4.165704 3.799526
## [73] 4.058026 3.941193 5.859047 3.337547 2.667575 3.375880 4.120337 3.832330
## [81] 3.678324 3.782984 4.105944 3.819359 3.282677 5.175681 4.475517 3.853546
## [89] 2.861057 5.840409 3.173878 4.210051 4.045854 5.335420 4.937347 4.819959
## [97] 3.811982 3.220355 4.038603 4.249352 3.634687 4.413876 4.361314 3.903769
## [105] 3.533891 3.921577 4.263904 3.449352 4.627802 3.232384 4.148201 3.072693
## [113] 3.723933 3.481517 3.520461 3.024806 3.614344 3.881337 3.002211 4.015428
## [121] 3.093539 4.308111 3.950089 2.931567 3.135494 3.313095 4.554087 2.726545
## [129] 4.295651 3.092405 3.095578 3.527242 3.140612 3.040706 3.237109 4.195998
## [137] 5.002334 2.841823 3.849019 4.157319 2.218225 4.485034 3.927896 2.344686
## [145] 3.650139 3.855664 2.761717 3.205182 4.031369 3.662279 2.572612 3.815071
## [153] 3.333882 2.623654 3.766697 3.624234 4.089332 3.584824 2.983153 3.678324
## [161] 3.825157 3.664587 2.870736 4.151780 4.888596 3.483699 3.542321 4.776094
## [169] 4.037421 5.093259 3.509962 2.897403 4.315887 4.682872 3.546163 3.340279
## [177] 6.196544 3.929352 4.030854 3.749033 3.597312 3.193189 3.544056 5.793553
## [185] 3.502550 4.262398 3.542957 3.891412 2.879760 3.543275 5.280561 3.286048
## [193] 3.104452 4.345103 3.806218 3.569533 3.560478 2.405142 3.968781 4.303795
## [201] 3.451890 3.825310 3.304943 3.865916 3.334559 3.154743 3.751854 4.437461
## [209] 3.713816 3.673766 3.455686 5.569851 4.304970 2.684236 3.553833 4.761148
## [217] 3.219276 3.690877 2.946542 2.827846 3.644928 4.529692 4.682502 4.180522
## [225] 3.556690 4.087656 3.274121 3.112626 4.124664 3.489452 4.162735 3.249599
## [233] 3.805484 4.581154 3.533891 3.487375 4.226834 3.858200 3.570518 4.121960
## [241] 3.018814 3.463546 3.404525 2.923162 4.794898 4.366748 3.051971 3.719894
## [249] 3.437015 4.658502 4.012773 3.915816 3.526949 3.869950 5.084319 3.039749
## [257] 4.001132 4.442369 4.823663 5.382737 3.746677 3.510351 4.355939 3.356200
## [265] 3.163786 3.421000 2.721295 4.350768 3.210844 3.709099 3.744314 3.397858
## [273] 2.914902 3.205993 3.810655 3.365467 3.044522 3.527242 3.721831 3.885884
## [281] 4.555770 2.890372 3.375538 2.833801 3.597312 3.278540 2.604170 4.107919
## [289] 3.520372 3.205182 3.390473 4.434975 3.943134 3.235418 3.252775 3.039749
## [297] 4.590107 2.175320 3.765956 4.215086 3.860730 2.922086 2.936778 3.995629
## [305] 3.148453 4.915005 2.948641 3.205993 2.894806 4.727122 2.681022 3.311637
## [313] 3.979308 3.484619 3.336730 3.564166 3.861508 3.877017 2.938103 4.847693
## [321] 3.349202 3.502700 3.560108 4.338427 3.769999 3.434310 2.272126 4.361939
## [329] 4.027973 4.330470 3.889368 3.392829 3.112982 3.353407 3.409827 3.018374
## [337] 3.472184 3.432890 3.577948 3.436565 2.969388 3.528711 3.071767 4.280686
## [345] 3.402763 4.300003 3.460723 3.138966 3.100092 3.090133 4.966892 3.847591
## [353] 3.764613 4.189200 4.951076 3.263734 3.441059 2.948641 3.379633 3.231595
## [361] 3.249599 3.539799 3.499533 3.477541 4.538250 2.989714 3.976818 4.175464
## [369] 3.731124 3.269569 3.190476 3.047376 3.766928 3.411148 4.217845 4.177459
## [377] 3.958143 3.440418 3.253470 5.363567 3.154870 3.551197 4.732507 2.665838
## [385] 3.160823 4.031405 3.670384 3.823847 4.629150 3.953856 2.956991 2.834389
## [393] 3.349202 3.659631 3.052018 3.434406 2.428953 3.734808 3.546451 3.709172
## [401] 3.668422 2.385086 3.650139 3.065118 1.740466 5.186268 3.906186 3.326725
## [409] 3.619529 4.193134 3.604954 4.676188 4.487512 3.934958 3.682358 4.462915
## [417] 2.726545 3.615771 3.889368 4.499810 3.732896 4.787992 4.727388 4.676188
## [425] 3.591570 3.027570 3.748091 4.935768 3.546163 2.914902 3.953741 3.531875
## [433] 3.471345 3.433342 3.168845 2.984671 5.215403 3.659965 3.985273 2.972822
## [441] 4.668192 4.182966 4.246207 4.856707 4.826929 3.977436 3.510948 3.997466
## [449] 4.825397 4.029753 4.595928 3.516310 3.834710 3.612538 3.954316 3.631250
## [457] 3.640214 4.260805 4.468204 4.039536 3.678324 3.769537 4.421247 3.383712
## [465] 3.240089 4.884013 4.701634 3.028925 4.448282 2.854053 2.830091 4.252772
## [473] 4.595393 4.409727 4.502750 4.170487 4.046379 4.450853 3.918005 4.467057
## [481] 5.622102 3.344521 4.026779 4.287166 3.547114 4.300369 4.465069 3.438493
## [489] 3.376905 4.104295 4.130033 4.638605 3.043570 3.650139 4.262680 2.835974
## [497] 4.446174 4.770515 2.829087 4.799149 4.019801 3.528711 3.256133 3.728220
## [505] 4.806044 3.348148 2.889260 4.401829 4.006606 2.827314 3.472277 3.484312
## [513] 4.510860 3.776112 4.452240 4.047952 4.432482 4.047952 3.106692 5.150281
## [521] 3.693369 4.584253 4.260706 3.422926 3.628599 4.366913 3.054001 4.612146
## [529] 3.855664 3.810367 4.541591 3.403860 4.791650 4.177873 4.292649 4.220390
## [537] 3.608347 4.754305 3.306887 4.010963 3.758172 3.476861 3.767691 4.233628
## [545] 3.366606 3.543275 3.645841 3.943909 3.758056 5.045101 4.151119 3.982426
## [553] 4.272630 4.200804 3.203965 3.911763 3.913222 4.952928 3.584269 4.716139
## [561] 3.997834 4.123903 4.373238 4.186924 4.188442 3.876334 4.470495 3.864092
## [569] 4.081529 3.339322 5.206586 3.344521 3.563883 4.913684 4.496471 3.558201
## [577] 4.144721 3.154870 4.412313 4.434382 4.844872 4.816225 3.650658 3.672699
## [585] 3.790081 5.664556 3.587594 2.980111 3.897721 4.267135 3.738050 4.139923
## [593] 3.908015 4.542124 4.386106 4.330470 3.674958 3.494384 3.631780 3.832547
## [601] 3.981362 3.340987 3.805484 3.222868 3.486763 3.052349 3.597312 4.315179
## [609] 3.858200 3.875359 3.809547 3.674223 3.796545 3.291383 4.294015 3.739573
## [617] 3.422633 4.214303 4.632688 4.274581 4.461069 4.435093 3.906005 4.690430
## [625] 3.909119 3.335770 3.846524 3.663562 4.694179 3.269949 4.037774 3.454643
## [633] 3.433342 4.285103 4.280271 3.747148 4.487838 3.434632 4.591882 3.178887
## [641] 4.100327 4.440296 3.443938 4.082390 2.765627 3.641526 4.133389 3.490429
## [649] 3.254243 3.309813 4.198104 4.418720 4.228584 4.048248 3.390608 3.250374
## [657] 4.139318 3.618162 3.237109