Data Munipulation
cak
2023-05-30
1 Tuần 1 (30/5)
Thao tác trên dataset
data(trees)
d <- trees
str(d)## 'data.frame': 31 obs. of 3 variables:
## $ Girth : num 8.3 8.6 8.8 10.5 10.7 10.8 11 11 11.1 11.2 ...
## $ Height: num 70 65 63 72 81 83 66 75 80 75 ...
## $ Volume: num 10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 ...names(d) <- c('G','H','V')Tới đây đã xong 1 số việc.
head(d)## G H V
## 1 8.3 70 10.3
## 2 8.6 65 10.3
## 3 8.8 63 10.2
## 4 10.5 72 16.4
## 5 10.7 81 18.8
## 6 10.8 83 19.7vol <- d$V
vol## [1] 10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 24.2 21.0 21.4 21.3 19.1
## [16] 22.2 33.8 27.4 25.7 24.9 34.5 31.7 36.3 38.3 42.6 55.4 55.7 58.3 51.5 51.0
## [31] 77.0vol15 <- vol[vol>15 & vol<50]
vol15## [1] 16.4 18.8 19.7 15.6 18.2 22.6 19.9 24.2 21.0 21.4 21.3 19.1 22.2 33.8 27.4
## [16] 25.7 24.9 34.5 31.7 36.3 38.3 42.6hei <- d$H
vol15hei60 <- d[d$V>15|d$H<60,]
vol15hei60## G H V
## 4 10.5 72 16.4
## 5 10.7 81 18.8
## 6 10.8 83 19.7
## 7 11.0 66 15.6
## 8 11.0 75 18.2
## 9 11.1 80 22.6
## 10 11.2 75 19.9
## 11 11.3 79 24.2
## 12 11.4 76 21.0
## 13 11.4 76 21.4
## 14 11.7 69 21.3
## 15 12.0 75 19.1
## 16 12.9 74 22.2
## 17 12.9 85 33.8
## 18 13.3 86 27.4
## 19 13.7 71 25.7
## 20 13.8 64 24.9
## 21 14.0 78 34.5
## 22 14.2 80 31.7
## 23 14.5 74 36.3
## 24 16.0 72 38.3
## 25 16.3 77 42.6
## 26 17.3 81 55.4
## 27 17.5 82 55.7
## 28 17.9 80 58.3
## 29 18.0 80 51.5
## 30 18.0 80 51.0
## 31 20.6 87 77.0d$logV <- log(d$V)
d$logH <- log(d$H)
d$Tổng <- d$G+d$H+d$V
vol## [1] 10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 24.2 21.0 21.4 21.3 19.1
## [16] 22.2 33.8 27.4 25.7 24.9 34.5 31.7 36.3 38.3 42.6 55.4 55.7 58.3 51.5 51.0
## [31] 77.0cut(vol,4)## [1] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9]
## [7] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9]
## [13] (10.1,26.9] (10.1,26.9] (10.1,26.9] (10.1,26.9] (26.9,43.6] (26.9,43.6]
## [19] (10.1,26.9] (10.1,26.9] (26.9,43.6] (26.9,43.6] (26.9,43.6] (26.9,43.6]
## [25] (26.9,43.6] (43.6,60.3] (43.6,60.3] (43.6,60.3] (43.6,60.3] (43.6,60.3]
## [31] (60.3,77.1]
## Levels: (10.1,26.9] (26.9,43.6] (43.6,60.3] (60.3,77.1]table(cut(vol,4))##
## (10.1,26.9] (26.9,43.6] (43.6,60.3] (60.3,77.1]
## 18 7 5 1Bộ dữ liệu iris
data("iris")
cut(iris$Petal.Length,4)## [1] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [6] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [11] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [16] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [21] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [26] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [31] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [36] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [41] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [46] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48] (0.994,2.48]
## [51] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43]
## [56] (3.95,5.43] (3.95,5.43] (2.48,3.95] (3.95,5.43] (2.48,3.95]
## [61] (2.48,3.95] (3.95,5.43] (3.95,5.43] (3.95,5.43] (2.48,3.95]
## [66] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (2.48,3.95]
## [71] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43]
## [76] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (2.48,3.95]
## [81] (2.48,3.95] (2.48,3.95] (2.48,3.95] (3.95,5.43] (3.95,5.43]
## [86] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43]
## [91] (3.95,5.43] (3.95,5.43] (3.95,5.43] (2.48,3.95] (3.95,5.43]
## [96] (3.95,5.43] (3.95,5.43] (3.95,5.43] (2.48,3.95] (3.95,5.43]
## [101] (5.43,6.91] (3.95,5.43] (5.43,6.91] (5.43,6.91] (5.43,6.91]
## [106] (5.43,6.91] (3.95,5.43] (5.43,6.91] (5.43,6.91] (5.43,6.91]
## [111] (3.95,5.43] (3.95,5.43] (5.43,6.91] (3.95,5.43] (3.95,5.43]
## [116] (3.95,5.43] (5.43,6.91] (5.43,6.91] (5.43,6.91] (3.95,5.43]
## [121] (5.43,6.91] (3.95,5.43] (5.43,6.91] (3.95,5.43] (5.43,6.91]
## [126] (5.43,6.91] (3.95,5.43] (3.95,5.43] (5.43,6.91] (5.43,6.91]
## [131] (5.43,6.91] (5.43,6.91] (5.43,6.91] (3.95,5.43] (5.43,6.91]
## [136] (5.43,6.91] (5.43,6.91] (5.43,6.91] (3.95,5.43] (3.95,5.43]
## [141] (5.43,6.91] (3.95,5.43] (3.95,5.43] (5.43,6.91] (5.43,6.91]
## [146] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43] (3.95,5.43]
## Levels: (0.994,2.48] (2.48,3.95] (3.95,5.43] (5.43,6.91]table(cut(iris$Petal.Length,4))##
## (0.994,2.48] (2.48,3.95] (3.95,5.43] (5.43,6.91]
## 50 11 61 28table(cut(iris$Petal.Length,4),iris$Species)##
## setosa versicolor virginica
## (0.994,2.48] 50 0 0
## (2.48,3.95] 0 11 0
## (3.95,5.43] 0 39 22
## (5.43,6.91] 0 0 282 Tuần 2 (6/6)
setosa <- iris[iris$Species == 'setosa',]
nosetosa <- iris[!iris$Species == 'setosa',]
iris$slcoded <- cut(iris$Sepal.Length, breaks = c(4.3,4.8,7.2,7.9),labels = c('ngắn', 'vừa', 'dài'))
table(iris$slcoded)##
## ngắn vừa dài
## 15 126 8# Tính các đơn vị tính toán
summary(iris$Sepal.Length)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.300 5.100 5.800 5.843 6.400 7.900mean(iris$Sepal.Length)## [1] 5.843333var(iris$Sepal.Length)## [1] 0.6856935sd(iris$Sepal.Length)## [1] 0.8280661sum(iris$Sepal.Length)## [1] 876.5median(iris$Sepal.Length)## [1] 5.8###(Chọn ngẫu nhiên để tìm ra xác suất nhở hơn 5.1 là 25%)
quantile(iris$Sepal.Length) ## 0% 25% 50% 75% 100%
## 4.3 5.1 5.8 6.4 7.9quantile(iris$Sepal.Length,.3) ## 30%
## 5.27table(iris$Species)##
## setosa versicolor virginica
## 50 50 50### Tính phương sai, trung bình có điều kiện
aggregate(iris$Sepal.Length, list(iris$Species), FUN = 'mean')## Group.1 x
## 1 setosa 5.006
## 2 versicolor 5.936
## 3 virginica 6.588aggregate(iris$Sepal.Length, list(iris$Species), FUN = 'sd')## Group.1 x
## 1 setosa 0.3524897
## 2 versicolor 0.5161711
## 3 virginica 0.6358796aggregate(iris$Sepal.Length, list(iris$slcoded), FUN = 'mean')## Group.1 x
## 1 ngắn 4.633333
## 2 vừa 5.886508
## 3 dài 7.625000aggregate(iris$Sepal.Length, list(iris$Species), FUN = 'summary')## Group.1 x.Min. x.1st Qu. x.Median x.Mean x.3rd Qu. x.Max.
## 1 setosa 4.300 4.800 5.000 5.006 5.200 5.800
## 2 versicolor 4.900 5.600 5.900 5.936 6.300 7.000
## 3 virginica 4.900 6.225 6.500 6.588 6.900 7.900library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.2 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(ggplot2)
library(utf8)
### Lệnh mới để tính như trên ( ctrl + shilf + M <- %>% )
iris %>% group_by(Species)## # A tibble: 150 × 6
## # Groups: Species [3]
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species slcoded
## <dbl> <dbl> <dbl> <dbl> <fct> <fct>
## 1 5.1 3.5 1.4 0.2 setosa vừa
## 2 4.9 3 1.4 0.2 setosa vừa
## 3 4.7 3.2 1.3 0.2 setosa ngắn
## 4 4.6 3.1 1.5 0.2 setosa ngắn
## 5 5 3.6 1.4 0.2 setosa vừa
## 6 5.4 3.9 1.7 0.4 setosa vừa
## 7 4.6 3.4 1.4 0.3 setosa ngắn
## 8 5 3.4 1.5 0.2 setosa vừa
## 9 4.4 2.9 1.4 0.2 setosa ngắn
## 10 4.9 3.1 1.5 0.1 setosa vừa
## # ℹ 140 more rowsdata("iris")
tmp <- iris
str(tmp)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...names(tmp) <- c('SL','SW','PL','PW','Sp')
tmp %>% group_by(Sp) %>% summarise(m = mean(SL))## # A tibble: 3 × 2
## Sp m
## <fct> <dbl>
## 1 setosa 5.01
## 2 versicolor 5.94
## 3 virginica 6.59tmp %>% group_by(Sp) %>% summarise(m = mean(SL), n=sd(SL))## # A tibble: 3 × 3
## Sp m n
## <fct> <dbl> <dbl>
## 1 setosa 5.01 0.352
## 2 versicolor 5.94 0.516
## 3 virginica 6.59 0.6362.1 Mô phỏng dữ liệu
### Phân loại dữ liệu từ nhìu người thu thập
poi2 <- rpois(10,2)
poi2## [1] 2 3 4 2 2 1 1 1 1 3poi4 <- rpois(100,4)
bi <- rbinom(100,15,.4)
ge <- rgeom(100,.3)
no <- rnorm(100,9,2)
### Kiểm tra có phải là vecto ko?
is.vector(poi2)## [1] TRUE### Chuyển Vecto thành 1 data frame
poi2 <- as.data.frame(poi2)
### Tạo 1 dãy số khác
tg <- seq(2,2, length = 10)
tg## [1] 2 2 2 2 2 2 2 2 2 2poi2$tg <- tg
### Tạo 1 bảng dữ liệu từ những dữ liệu khác nhau
d1 <- rpois(10,6)
d2 <- rnorm(10,6,2)
d3 <- rnorm(10,15,2)
### Gán giá trị cho từng biến
d1 <- as.data.frame(d1)
d1$tg <- seq(1,1, length = 10)
d2 <- as.data.frame(d2)
d2$tg <- seq(2,2, length=10)
d3 <- as.data.frame(d3)
d3$tg <- seq(3,3, length=10)
### Đưa vào chung 1 data
names(d1) <- c('D','tg')
names(d2) <- c('D','tg')
names(d3) <- c('D','tg')
tonghop <- rbind(d1, d2, d3)3 Tuần 3 (13/6)
3.1 Giới thiệu Rmarkdown Syntax
3.2 Pivot table
- Longer
- Wider
3.3 Thao tác dữ liệu trên billboard
3.3.1 Pivot_table (LONGER)
library(tidyverse)
data("billboard")
bill <- billboard
# Chuyển tệp có độ rộng từ 79 biến 317 số liệu thành tệp 5 biến 24092 dữ liệu(cụ thể ghép các cột wk lại với nhau)
tmp <- bill |> pivot_longer(cols=starts_with('wk'), names_to = 'week',values_to = 'rank')
# Dữ liệu ko khả thi thì dùng thêm dòng values_drop_na = T để loại bỏ các biến N/A
tmp <- bill |> pivot_longer(cols=starts_with('wk'), names_to = 'week',values_to = 'rank', values_drop_na = T)
#Lệnh kếp=t hợp từ câu lệnh trên với lệnh mutate tạo 1 lệnh mới ( lệnh parse_number() chỉ dùng để lấy số trong 1 cột dữ liệu nào đó)
tmp <- bill |> pivot_longer(cols=starts_with('wk'), names_to = 'week',values_to = 'rank', values_drop_na = T)|> mutate(week=parse_number(week))
#3 cách để tạo ra một cột mới
tmp$aa <- seq(1,1,length(tmp$artist))
tmp$bb <- mutate(tmp,bb=tmp$rank+tmp$aa)
tmp$cc <- tmp %>% mutate(bb=rank+aa)
tmp## # A tibble: 5,307 × 8
## artist track date.entered week rank aa bb$artist cc$artist
## <chr> <chr> <date> <dbl> <dbl> <dbl> <chr> <chr>
## 1 2 Pac Baby Don't Cry (K… 2000-02-26 1 87 1 2 Pac 2 Pac
## 2 2 Pac Baby Don't Cry (K… 2000-02-26 2 82 1 2 Pac 2 Pac
## 3 2 Pac Baby Don't Cry (K… 2000-02-26 3 72 1 2 Pac 2 Pac
## 4 2 Pac Baby Don't Cry (K… 2000-02-26 4 77 1 2 Pac 2 Pac
## 5 2 Pac Baby Don't Cry (K… 2000-02-26 5 87 1 2 Pac 2 Pac
## 6 2 Pac Baby Don't Cry (K… 2000-02-26 6 94 1 2 Pac 2 Pac
## 7 2 Pac Baby Don't Cry (K… 2000-02-26 7 99 1 2 Pac 2 Pac
## 8 2Ge+her The Hardest Part … 2000-09-02 1 91 1 2Ge+her 2Ge+her
## 9 2Ge+her The Hardest Part … 2000-09-02 2 87 1 2Ge+her 2Ge+her
## 10 2Ge+her The Hardest Part … 2000-09-02 3 92 1 2Ge+her 2Ge+her
## # ℹ 5,297 more rows
## # ℹ 12 more variables: bb$track <chr>, $date.entered <date>, $week <dbl>,
## # $rank <dbl>, $aa <dbl>, $bb <dbl>, cc$track <chr>, $date.entered <date>,
## # $week <dbl>, $rank <dbl>, $aa <dbl>, $bb <dbl>3.4 Thao tác trên tệp dữ liệu VerbAgg
3.4.1 Pivot_table(WIDER)
library(lme4)## Loading required package: Matrix##
## Attaching package: 'Matrix'## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpackdata(VerbAgg)
levels(VerbAgg$item)## [1] "S1WantCurse" "S1WantScold" "S1WantShout" "S2WantCurse" "S2WantScold"
## [6] "S2WantShout" "S3WantCurse" "S3WantScold" "S3WantShout" "S4wantCurse"
## [11] "S4WantScold" "S4WantShout" "S1DoCurse" "S1DoScold" "S1DoShout"
## [16] "S2DoCurse" "S2DoScold" "S2DoShout" "S3DoCurse" "S3DoScold"
## [21] "S3DoShout" "S4DoCurse" "S4DoScold" "S4DoShout"summary(VerbAgg)## Anger Gender item resp id
## Min. :11 F:5832 S1WantCurse: 316 no :3973 1 : 24
## 1st Qu.:17 M:1752 S1WantScold: 316 perhaps:2081 2 : 24
## Median :19 S1WantShout: 316 yes :1530 3 : 24
## Mean :20 S2WantCurse: 316 4 : 24
## 3rd Qu.:23 S2WantScold: 316 5 : 24
## Max. :39 S2WantShout: 316 6 : 24
## (Other) :5688 (Other):7440
## btype situ mode r2
## curse:2528 other:3792 want:3792 N:3973
## scold:2528 self :3792 do :3792 Y:3611
## shout:2528
##
##
##
## # Thêm 1 cột mới có điều kiện
VerbAgg <- VerbAgg %>% mutate(respn=case_when(resp=="no"~0,resp=="perhaps"~1,resp=="yes"~1))
table(VerbAgg$respn)##
## 0 1
## 3973 3611# Cách chuyển tệp có độ dài thành tệp có nhiều cột
resp_wide <- VerbAgg %>% select(id, item, resp) %>% pivot_wider(names_from = item, values_from = resp)
#Tạo ra một tệp mới có những biến theo yêu cầu
tmp <- VerbAgg %>% select(id, item, respn)4 Tuần 4 (20/6)
4.1 Data visualize ( mượn hình ảnh để trình bày dữ liệu)ư
4.2 Giới thiệu về gói GGPLOT2
4.2.1 ĐÒ thị dạng Scatter ( thường dùng cho dữ liệu định lượng)
Thực hiện mở bảng data.table
library(ggplot2)
data("trees")
data.table::data.table(trees)## Girth Height Volume
## 1: 8.3 70 10.3
## 2: 8.6 65 10.3
## 3: 8.8 63 10.2
## 4: 10.5 72 16.4
## 5: 10.7 81 18.8
## 6: 10.8 83 19.7
## 7: 11.0 66 15.6
## 8: 11.0 75 18.2
## 9: 11.1 80 22.6
## 10: 11.2 75 19.9
## 11: 11.3 79 24.2
## 12: 11.4 76 21.0
## 13: 11.4 76 21.4
## 14: 11.7 69 21.3
## 15: 12.0 75 19.1
## 16: 12.9 74 22.2
## 17: 12.9 85 33.8
## 18: 13.3 86 27.4
## 19: 13.7 71 25.7
## 20: 13.8 64 24.9
## 21: 14.0 78 34.5
## 22: 14.2 80 31.7
## 23: 14.5 74 36.3
## 24: 16.0 72 38.3
## 25: 16.3 77 42.6
## 26: 17.3 81 55.4
## 27: 17.5 82 55.7
## 28: 17.9 80 58.3
## 29: 18.0 80 51.5
## 30: 18.0 80 51.0
## 31: 20.6 87 77.0
## Girth Height Volumetrees ## Girth Height Volume
## 1 8.3 70 10.3
## 2 8.6 65 10.3
## 3 8.8 63 10.2
## 4 10.5 72 16.4
## 5 10.7 81 18.8
## 6 10.8 83 19.7
## 7 11.0 66 15.6
## 8 11.0 75 18.2
## 9 11.1 80 22.6
## 10 11.2 75 19.9
## 11 11.3 79 24.2
## 12 11.4 76 21.0
## 13 11.4 76 21.4
## 14 11.7 69 21.3
## 15 12.0 75 19.1
## 16 12.9 74 22.2
## 17 12.9 85 33.8
## 18 13.3 86 27.4
## 19 13.7 71 25.7
## 20 13.8 64 24.9
## 21 14.0 78 34.5
## 22 14.2 80 31.7
## 23 14.5 74 36.3
## 24 16.0 72 38.3
## 25 16.3 77 42.6
## 26 17.3 81 55.4
## 27 17.5 82 55.7
## 28 17.9 80 58.3
## 29 18.0 80 51.5
## 30 18.0 80 51.0
## 31 20.6 87 77.0trees |> ggplot(map = aes(x = Girth, y = Volume)) +
geom_point(color = 'red')
trees |> ggplot(map = aes(x = Girth, y = Volume)) +
geom_point(color = 'red') +
xlab('Chu vi') +
ylab('Thể tích')
Trong trường hợp cần thiết chúng ta có thể vẽ thêm đường hồi quy (tuyến tính) tương ứng với dữ liệu mà chúng ta dùng để vẽ đồ thị scatter như sau:
trees |> ggplot(aes(x = Girth, y = Volume))+
geom_smooth(formula = y ~ x, method = 'lm', color = 'green') +
geom_point(color = 'red') +
labs(title = 'Đồ Thị Dạng Scatter', x = 'Chu vi', y = 'Thể tích')
húng ta cũng có thể nối các điểm trong đồ thị dạng scatter của 2 biến
Girth và Volume lại với nhau bằng những đoạn thẳng như sau:
trees |> ggplot(aes(x = Girth, y = Volume)) +
geom_point(color = 'blue') +
geom_line(color = 'red')
4.3 Thực hành trên package và data penguin
Để mở rộng việc sử dụng đồ thị dạng scatter chúng ta sẽ gọi bộ dữ liệu penguins trong package palmerpenguins. Bộ dữ liệu này được các nhà khoa học thu thập nhằm mục đích nghiên cứu về các loài chim cánh cụt ở Nam cực.
Để có thể thấy được tương quan giữa biến flipper_length_mm và biến body_mass_g, chúng ta sẽ vẽ đồ thị dạng scatter cho 2 biến này như sau:
library(palmerpenguins)
data("penguins")
data.table::data.table(penguins)## species island bill_length_mm bill_depth_mm flipper_length_mm
## 1: Adelie Torgersen 39.1 18.7 181
## 2: Adelie Torgersen 39.5 17.4 186
## 3: Adelie Torgersen 40.3 18.0 195
## 4: Adelie Torgersen NA NA NA
## 5: Adelie Torgersen 36.7 19.3 193
## ---
## 340: Chinstrap Dream 55.8 19.8 207
## 341: Chinstrap Dream 43.5 18.1 202
## 342: Chinstrap Dream 49.6 18.2 193
## 343: Chinstrap Dream 50.8 19.0 210
## 344: Chinstrap Dream 50.2 18.7 198
## body_mass_g sex year
## 1: 3750 male 2007
## 2: 3800 female 2007
## 3: 3250 female 2007
## 4: NA <NA> 2007
## 5: 3450 female 2007
## ---
## 340: 4000 male 2009
## 341: 3400 female 2009
## 342: 3775 male 2009
## 343: 4100 male 2009
## 344: 3775 female 2009penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(na.rm = T) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Tuy nhiên chúng ta còn có thể có cái nhìn sâu hơn về tương quan giữa 2
biến này theo loài hoặc theo nơi chúng sinh sống như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g, color = species)) +
geom_point(na.rm = T) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = island), na.rm = T) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Ngoài việc phân loại dữ liệu bằng màu sắc chúng ta còn có thể phân biệt
dữ liệu bằng hình dáng như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(shape = island), na.rm = T, color = 'blue', size = 3) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Đôi khi chúng ta quan tâm đến một số quan sát đặc biệt nào đó, chúng ta
có thể tạo một sự khác biệt để có thể nhận biết được biết được các quan
sát này dễ hơn. Điều này được thực hiện như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g, shape = island)) +
geom_point(na.rm = T, size = 3) +
geom_point(data = penguins |> filter(sex == 'male'), color = 'red') +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Chúng ta cũng có thể thêm hàm hồi quy (tuyến tính) vào đồ thị scatter
như ví dụ bên trên, tuy nhiên chúng ta còn có thể thêm được nhiều hàm
hồi quy (tuyến tính) tương ứng với từng loài hoặc tương ứng với nhiều
nơi sinh sống như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = species), na.rm = T) +
geom_smooth(aes(color = species), formula = y ~ x, method = 'lm', na.rm = T) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = island), na.rm = T) +
geom_smooth(aes(color = island), formula = y ~ x, method = 'lm', na.rm = T) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Hoặc chúng ta có thể vẽ thành nhiều đồ thị tương ứng với từng loài hoặc
từng nơi sinh sống như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = species), na.rm = T) +
geom_smooth(formula = y ~ x, method = 'lm', na.rm = T) +
facet_grid(. ~ species) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = island), na.rm = T) +
geom_smooth(formula = y ~ x, method = 'lm', na.rm = T) +
facet_grid(. ~ island) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
Hoặc chúng ta có thể xắp xếp các đồ thị này theo phương dọc như sau:
penguins |> ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
geom_point(aes(color = island), na.rm = T) +
geom_smooth(formula = y ~ x, method = 'lm', na.rm = T) +
facet_grid(island ~ .) +
xlab('Chiều dài cánh') +
ylab('Trọng lượng cơ thể')
4.4 Biểu đồ cột
thực hiện trên file excel mới có tên lá Supermarket transactions
d <- read.csv('Supermarket Transactions.csv', header = T)
str(d)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "18/12/2007" "20/12/2007" "21/12/2007" "21/12/2007" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...data.table::data.table(d)## X PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## 1: 1 18/12/2007 7223 F S Y 2
## 2: 2 20/12/2007 7841 M M Y 5
## 3: 3 21/12/2007 8374 F M N 2
## 4: 4 21/12/2007 9619 M M Y 3
## 5: 5 22/12/2007 1900 F S Y 3
## ---
## 14055: 14055 29/12/2009 9102 F M Y 2
## 14056: 14056 29/12/2009 4822 F M Y 3
## 14057: 14057 31/12/2009 250 M S Y 1
## 14058: 14058 31/12/2009 6153 F S N 4
## 14059: 14059 31/12/2009 3656 M S N 3
## AnnualIncome City StateorProvince Country ProductFamily
## 1: $30K - $50K Los Angeles CA USA Food
## 2: $70K - $90K Los Angeles CA USA Food
## 3: $50K - $70K Bremerton WA USA Food
## 4: $30K - $50K Portland OR USA Food
## 5: $130K - $150K Beverly Hills CA USA Drink
## ---
## 14055: $10K - $30K Bremerton WA USA Food
## 14056: $10K - $30K Walla Walla WA USA Food
## 14057: $30K - $50K Portland OR USA Drink
## 14058: $50K - $70K Spokane WA USA Drink
## 14059: $50K - $70K Portland OR USA Non-Consumable
## ProductDepartment ProductCategory UnitsSold Revenue
## 1: Snack Foods Snack Foods 5 27.38
## 2: Produce Vegetables 5 14.90
## 3: Snack Foods Snack Foods 3 5.52
## 4: Snacks Candy 4 4.44
## 5: Beverages Carbonated Beverages 4 14.00
## ---
## 14055: Baking Goods Baking Goods 3 9.64
## 14056: Frozen Foods Vegetables 3 7.45
## 14057: Beverages Pure Juice Beverages 4 3.24
## 14058: Dairy Dairy 2 4.00
## 14059: Household Electrical 5 25.53Chúng ta sẽ đồ thị cột cho biến Gender.
d |> ggplot(aes(x = Gender )) +
geom_bar( fill = 'blue')
Thay vì thể hiện bằng số đếm thì chúng ta có thể thì chúng ta sẽ thể
hiện bằng tỉ lệ % như sau:
d |> ggplot(aes(x = Gender )) +
geom_bar(aes(y = after_stat(100*count/sum(count))), fill = 'blue') +
theme_classic() +
labs(x = 'Giới tính', y = 'Tỷ lệ %')
Chúng ta có thể ghi chú tỷ lệ % hoặc số đếm lên đỉnh mỗi cột như
sau:
library(scales)##
## Attaching package: 'scales'## The following object is masked from 'package:purrr':
##
## discard## The following object is masked from 'package:readr':
##
## col_factord |> ggplot(aes(x = Gender, 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) +
theme_classic() +
labs(x = 'Giới tính', y = 'Số người')
Chúng ta có thể vẽ biểu đồ cột cho biến Children như sau:
d |> count(Children) |>
mutate(pC = percent(n/sum(n),accuracy = 0.01)) |>
ggplot(aes(x = Children, y = n)) +
geom_col(fill = 'blue') +
geom_text(aes(label = pC),color = 'yellow', vjust = 2, size = 5) +
ylab('Số Người') +
xlab('Số Con')
Với biểu đồ như trên chúng ta có thể quay ngang như sau:
d |> count(Children) |>
mutate(pC = percent(n/sum(n),accuracy = 0.01)) |>
ggplot(aes(x = Children, y = n)) +
geom_col(fill = 'blue') +
geom_text(aes(label = pC),color = 'yellow', hjust = 2, size = 5) +
ylab('Số Người') +
xlab('Số Con') +
coord_flip()
Chúng ta cũng có thể vẽ đồ thi dạng cột theo biến Children nhưng đồng
thời chúng ta sẽ phân đồ thì này thành 2 nhóm theo biến Homeowner như
sau:
d |> ggplot(aes(x = Children, y = after_stat(count),fill = Homeowner)) +
geom_bar(position = 'dodge') +
ylab('Số Người') +
xlab('Số Con')
húng ta có thể thêm ghi chú cho đồ thị để người đọc dễ so sánh như
sau:
d |> count(Children, Homeowner) |>
mutate(pCH = prop.table(n)) |>
ggplot(aes(x = Children, y = n, fill = Homeowner)) +
geom_col(position = 'dodge') +
geom_text(aes(label = percent(pCH, accuracy = .01)), position = position_dodge(1), vjust = -.5) +
ylab('Số Người') +
xlab('Số Con')
Với dạng đồ thị như trên thay vì để 2 cột cạnh nhau, chúng ta có thể
chồng nó lên nhau như sau đ`ể dễ phân tích hơn.
d |> ggplot(aes(x = Children)) +
geom_bar(aes(y = after_stat(count), fill = Homeowner), stat = 'count') +
ylab('Số Người') +
xlab('Số Con')
Tương tự như trường hợp ở trên, chúng ta cũng có thể thêm ghi chú và đồ thị để người đọc dễ so sánh như sau:
d |> count(Children, Homeowner) |>
group_by(Children) |>
mutate(pH = n/sum(n)) |>
ggplot(aes(x = Children, y = n, fill = Homeowner)) +
geom_col() +
geom_text(aes(label = percent(pH, accuracy = .01)), position = position_stack(vjust = 0.5)) +
ylab('Số Người') +
xlab('Số Con')
Với biểu đồ cột chúng ta còn có thể làm được nhiều việc hơn những gì chúng ta đã làm bên trên. Ví dụ chúng ta sẽ vẽ đồ thị thể hiện số tiền trung bình của hóa đơn theo giới tính hoặc theo số con như sau:
d |> group_by(Gender) |>
summarise(mr = mean(Revenue, na.rm = T)) |>
ggplot(aes(x = Gender, y = mr)) +
geom_col(fill = 'blue') +
geom_text(aes(label = round(mr,2)), vjust = 2, color = 'red', size = 9)
d |> group_by(Children) |>
summarise(mr = mean(Revenue, na.rm = T)) |>
ggplot(aes(x = Children, y = mr)) +
geom_col(fill = 'blue') +
geom_text(aes(label = round(mr,2)), vjust = 2, color = 'red', size = 5)
Tương tự chúng ta cũng có thể dùng đồ thị cột để vẽ phương sai, độ lệch
chuẩn, trung vị hay bất kỳ một đặc trưng thống kê nào để thực hiện việc
so sánh. Ví dụ:
d |> group_by(Children) |>
summarise(vr = var(Revenue, na.rm = T)) |>
ggplot(aes(x = Children, y = vr)) +
geom_bar(stat = 'identity', fill = 'blue') +
geom_text(aes(y = vr + 3, label = round(vr,2)), color = 'red', size = 6)
Chúng ta cũng có thể Vẽ đồ thị dạng cột để so sánh số tiền trên hóa đơn
theo biến Gender và biến Children như sau:
d |> group_by(Children, Homeowner) |>
summarise(mCH = mean(Revenue, na.rm = T)) |>
ggplot(aes(x = Children, y = mCH, fill = Homeowner)) +
geom_col(position = 'dodge') +
geom_text(aes(y = mCH + 2, label = round(mCH,1)), position = position_dodge(1), vjust = 3)## `summarise()` has grouped output by 'Children'. You can override using the
## `.groups` argument.