Práctica y Técnicas en Ciencia de Datos/UCEMA
Magali Eisik
19/7/2023
A continuacion se encuentran los ejercicios realizados en las clases de Práctica y Técnicas en Ciencia de Datos del Pogrado de Digital Accounting, 2023,UCEMA.
Clase 1 25/07
Se presenta la informacion de motos acuaticas:modelo, peso (en libras) y precio (en dolares) Modelo: A,B,C,D,E,F,G,H,I,J Peso: 750,790,800,740,830,770,830,720,720,780 Precio:9500,10500,11200,8500,10000,10000,9300,7700,7000,8500
- Crear los vectores modelo, peso y precio.
modelo<- c("A","B","C","D","E","F","G","H","I","J")
peso<- c(750,790,800,740,830,770,830,720,720,780)
precio<- c(9500,10500,11200,8500,10000,10000,9300,7700,7000,8500)- Indique el tipo de datos y la longitud de los 3 vectores creados en item 1.
mode(modelo)## [1] "character"length(modelo)## [1] 10mode(peso)## [1] "numeric"length(peso)## [1] 10mode(precio)## [1] "numeric"length(precio)## [1] 10- Cual es el valor minimo y la posicion del vector peso.
min(peso)## [1] 720which.min(peso)## [1] 8- Cree un data frame con los 3 vectores creados en item 1, denominado motos.
motos<- data.frame(modelo,peso,precio)
motos## modelo peso precio
## 1 A 750 9500
## 2 B 790 10500
## 3 C 800 11200
## 4 D 740 8500
## 5 E 830 10000
## 6 F 770 10000
## 7 G 830 9300
## 8 H 720 7700
## 9 I 720 7000
## 10 J 780 8500- Calcule las medidas de resumen de la variable precio del data frame motos.
summary(motos$precio)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 7000 8500 9400 9220 10000 11200- Mostrar las primeras 3 filas y las 2 ultimas del data frame motos.
head(motos,3)## modelo peso precio
## 1 A 750 9500
## 2 B 790 10500
## 3 C 800 11200tail(motos,2)## modelo peso precio
## 9 I 720 7000
## 10 J 780 8500- Cuantas columnas y filas tiene el data frame motos?
ncol(motos)## [1] 3nrow(motos)## [1] 10Otra forma:
dim(motos)## [1] 10 3El resultado arroja primero el numero de filas y luego columnas.
- Construir una matriz llamada motos_abc, uniendo precio y peso, por column
motos_abc<- cbind(precio,peso)
motos_abc## precio peso
## [1,] 9500 750
## [2,] 10500 790
## [3,] 11200 800
## [4,] 8500 740
## [5,] 10000 830
## [6,] 10000 770
## [7,] 9300 830
## [8,] 7700 720
## [9,] 7000 720
## [10,] 8500 780EJERCICIOS CLASE 2 Volvemos al ejercicio de la semana anterior. Cargamos los siguientes vectores y creamos el data frame motos:
modelo<- c("A","B","C","D","E","F","G","H","I","J")
peso<- c(750,790,800,740,830,770,830,720,720,780)
precio<- c(9500,10500,11200,8500,10000,10000,9300,7700,7000,8500)
motos<- data.frame(modelo,peso,precio)
motos## modelo peso precio
## 1 A 750 9500
## 2 B 790 10500
## 3 C 800 11200
## 4 D 740 8500
## 5 E 830 10000
## 6 F 770 10000
## 7 G 830 9300
## 8 H 720 7700
## 9 I 720 7000
## 10 J 780 8500- Como podemos saber el nombre de las columnas/variables del data set motos?
names(motos)## [1] "modelo" "peso" "precio"- Ordenar de forma descendente la variable peso
sort(motos$peso,decreasing = TRUE)## [1] 830 830 800 790 780 770 750 740 720 720Se ordenan los elementos de mayor a menor.
- Calcular la media, mediana y desvio estandar de la variable precio
mean(motos$precio)## [1] 9220median(motos$precio)## [1] 9400sd(motos$precio)## [1] 1296.834Otra forma
sqrt(var(motos$precio))## [1] 1296.834La raiz cuadrada de la varianza corresponde al desvio estandar.
- Realizar un histograma de la variable precio. Que observa?
hist(motos$precio,xlab="Precio",ylab = "Frecuencia",main = "Histograma",col="violet",border="black")
- Modificar el nombre de la variable peso a PESO. Verificar.
colnames(motos)[2] <- "PESO"
names(motos)## [1] "modelo" "PESO" "precio"- Utilizando la funcion if else sobre la variable precio, donde aquellas motos con precio mayor a 9500 se clasifiquen como “Alto”, de lo contrario “Bajo”.
motos$precio <- ifelse(precio>9500,"Alto","Bajo")
motos$precio## [1] "Bajo" "Alto" "Alto" "Bajo" "Alto" "Alto" "Bajo" "Bajo" "Bajo" "Bajo"EJERCICIOS CLASE 3 Cargamos los siguientes vectores y creamos el data frame motos:
modelo<- c("A","B","C","D","E","F","G","H","I","J")
peso<- c(750,790,800,740,830,770,830,720,720,780)
precio<- c(9500,10500,11200,8500,10000,10000,9300,7700,7000,8500)
motos<- data.frame(modelo,peso,precio)
motos ## modelo peso precio
## 1 A 750 9500
## 2 B 790 10500
## 3 C 800 11200
## 4 D 740 8500
## 5 E 830 10000
## 6 F 770 10000
## 7 G 830 9300
## 8 H 720 7700
## 9 I 720 7000
## 10 J 780 8500- Realizar un grafico de dispersion, donde x=peso, y= precio, utilizando ggplot2
library(ggplot2)
ggplot(motos, aes(
peso, precio)) +
geom_point(col="violet") +
labs(
x = "Peso",
y = "Precio")+ ggtitle("Precio en funcion del peso")
- Al grafico anterior, agregar una regresion lineal
ggplot(motos, aes(
peso, precio)) +
geom_point(col="violet") +
labs(
x = "Peso",
y = "Precio")+ ggtitle("Precio en funcion del peso")+geom_smooth(method = "lm")## `geom_smooth()` using formula 'y ~ x'
- Calcular los parametros del modelo
modelo<-lm(precio~peso,data = motos)
summary(modelo)##
## Call:
## lm(formula = precio ~ peso, data = motos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1199.3 -782.7 -154.9 834.5 1374.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -8129.440 6229.430 -1.305 0.2282
## peso 22.444 8.049 2.789 0.0236 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 979.5 on 8 degrees of freedom
## Multiple R-squared: 0.4929, Adjusted R-squared: 0.4295
## F-statistic: 7.776 on 1 and 8 DF, p-value: 0.02361- Seleccionar las columnas precio y peso del data set, utilizando dplyr
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionmotos %>% select (peso, precio)## peso precio
## 1 750 9500
## 2 790 10500
## 3 800 11200
## 4 740 8500
## 5 830 10000
## 6 770 10000
## 7 830 9300
## 8 720 7700
## 9 720 7000
## 10 780 8500- Ordenar de forma ascendente la variable precio y mostrar las primeras 2 filas
motos %>% arrange(precio) %>%
head (2)## modelo peso precio
## 1 I 720 7000
## 2 H 720 7700Para un nuevo lanzamiento de una butaca de autos para niños, se estudió la base de datos Carseats.
La base de datos Carseats contiene las siguientes variables: Sales: Ventas unitarias (en miles) en cada ubicación CompPrice: Precio cobrado por la competencia en cada ubicación Income: Nivel de ingresos de la comunidad (en miles de dólares) Advertising: Presupuesto de publicidad local para la empresa en cada ubicación (en miles de dólares) Population: Tamaño de la población en la región (en miles) Price: Precio que cobra la empresa por los asientos de seguridad en cada sitio ShelveLoc: Un factor con niveles Malo, Bueno y Medio que indica la calidad de la ubicación de las estanterías para los asientos de seguridad en cada sitio. Age: Edad media de la población local Education: Nivel de educación en cada ubicación Urban: Un factor con niveles No y Sí para indicar si la tienda se encuentra en una ubicación urbana o rural. US: corresponde a un factor con niveles No y Sí para indicar si la tienda está en EE. UU o no.
library(ISLR)
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v tibble 3.1.5 v purrr 0.3.4
## v tidyr 1.1.4 v stringr 1.4.0
## v readr 2.0.2 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(ggplot2)
data("Carseats")
Carseats## Sales CompPrice Income Advertising Population Price ShelveLoc Age Education
## 1 9.50 138 73 11 276 120 Bad 42 17
## 2 11.22 111 48 16 260 83 Good 65 10
## 3 10.06 113 35 10 269 80 Medium 59 12
## 4 7.40 117 100 4 466 97 Medium 55 14
## 5 4.15 141 64 3 340 128 Bad 38 13
## 6 10.81 124 113 13 501 72 Bad 78 16
## 7 6.63 115 105 0 45 108 Medium 71 15
## 8 11.85 136 81 15 425 120 Good 67 10
## 9 6.54 132 110 0 108 124 Medium 76 10
## 10 4.69 132 113 0 131 124 Medium 76 17
## 11 9.01 121 78 9 150 100 Bad 26 10
## 12 11.96 117 94 4 503 94 Good 50 13
## 13 3.98 122 35 2 393 136 Medium 62 18
## 14 10.96 115 28 11 29 86 Good 53 18
## 15 11.17 107 117 11 148 118 Good 52 18
## 16 8.71 149 95 5 400 144 Medium 76 18
## 17 7.58 118 32 0 284 110 Good 63 13
## 18 12.29 147 74 13 251 131 Good 52 10
## 19 13.91 110 110 0 408 68 Good 46 17
## 20 8.73 129 76 16 58 121 Medium 69 12
## 21 6.41 125 90 2 367 131 Medium 35 18
## 22 12.13 134 29 12 239 109 Good 62 18
## 23 5.08 128 46 6 497 138 Medium 42 13
## 24 5.87 121 31 0 292 109 Medium 79 10
## 25 10.14 145 119 16 294 113 Bad 42 12
## 26 14.90 139 32 0 176 82 Good 54 11
## 27 8.33 107 115 11 496 131 Good 50 11
## 28 5.27 98 118 0 19 107 Medium 64 17
## 29 2.99 103 74 0 359 97 Bad 55 11
## 30 7.81 104 99 15 226 102 Bad 58 17
## 31 13.55 125 94 0 447 89 Good 30 12
## 32 8.25 136 58 16 241 131 Medium 44 18
## 33 6.20 107 32 12 236 137 Good 64 10
## 34 8.77 114 38 13 317 128 Good 50 16
## 35 2.67 115 54 0 406 128 Medium 42 17
## 36 11.07 131 84 11 29 96 Medium 44 17
## 37 8.89 122 76 0 270 100 Good 60 18
## 38 4.95 121 41 5 412 110 Medium 54 10
## 39 6.59 109 73 0 454 102 Medium 65 15
## 40 3.24 130 60 0 144 138 Bad 38 10
## 41 2.07 119 98 0 18 126 Bad 73 17
## 42 7.96 157 53 0 403 124 Bad 58 16
## 43 10.43 77 69 0 25 24 Medium 50 18
## 44 4.12 123 42 11 16 134 Medium 59 13
## 45 4.16 85 79 6 325 95 Medium 69 13
## 46 4.56 141 63 0 168 135 Bad 44 12
## 47 12.44 127 90 14 16 70 Medium 48 15
## 48 4.38 126 98 0 173 108 Bad 55 16
## 49 3.91 116 52 0 349 98 Bad 69 18
## 50 10.61 157 93 0 51 149 Good 32 17
## 51 1.42 99 32 18 341 108 Bad 80 16
## 52 4.42 121 90 0 150 108 Bad 75 16
## 53 7.91 153 40 3 112 129 Bad 39 18
## 54 6.92 109 64 13 39 119 Medium 61 17
## 55 4.90 134 103 13 25 144 Medium 76 17
## 56 6.85 143 81 5 60 154 Medium 61 18
## 57 11.91 133 82 0 54 84 Medium 50 17
## 58 0.91 93 91 0 22 117 Bad 75 11
## 59 5.42 103 93 15 188 103 Bad 74 16
## 60 5.21 118 71 4 148 114 Medium 80 13
## 61 8.32 122 102 19 469 123 Bad 29 13
## 62 7.32 105 32 0 358 107 Medium 26 13
## 63 1.82 139 45 0 146 133 Bad 77 17
## 64 8.47 119 88 10 170 101 Medium 61 13
## 65 7.80 100 67 12 184 104 Medium 32 16
## 66 4.90 122 26 0 197 128 Medium 55 13
## 67 8.85 127 92 0 508 91 Medium 56 18
## 68 9.01 126 61 14 152 115 Medium 47 16
## 69 13.39 149 69 20 366 134 Good 60 13
## 70 7.99 127 59 0 339 99 Medium 65 12
## 71 9.46 89 81 15 237 99 Good 74 12
## 72 6.50 148 51 16 148 150 Medium 58 17
## 73 5.52 115 45 0 432 116 Medium 25 15
## 74 12.61 118 90 10 54 104 Good 31 11
## 75 6.20 150 68 5 125 136 Medium 64 13
## 76 8.55 88 111 23 480 92 Bad 36 16
## 77 10.64 102 87 10 346 70 Medium 64 15
## 78 7.70 118 71 12 44 89 Medium 67 18
## 79 4.43 134 48 1 139 145 Medium 65 12
## 80 9.14 134 67 0 286 90 Bad 41 13
## 81 8.01 113 100 16 353 79 Bad 68 11
## 82 7.52 116 72 0 237 128 Good 70 13
## 83 11.62 151 83 4 325 139 Good 28 17
## 84 4.42 109 36 7 468 94 Bad 56 11
## 85 2.23 111 25 0 52 121 Bad 43 18
## 86 8.47 125 103 0 304 112 Medium 49 13
## 87 8.70 150 84 9 432 134 Medium 64 15
## 88 11.70 131 67 7 272 126 Good 54 16
## 89 6.56 117 42 7 144 111 Medium 62 10
## 90 7.95 128 66 3 493 119 Medium 45 16
## 91 5.33 115 22 0 491 103 Medium 64 11
## 92 4.81 97 46 11 267 107 Medium 80 15
## 93 4.53 114 113 0 97 125 Medium 29 12
## 94 8.86 145 30 0 67 104 Medium 55 17
## 95 8.39 115 97 5 134 84 Bad 55 11
## 96 5.58 134 25 10 237 148 Medium 59 13
## 97 9.48 147 42 10 407 132 Good 73 16
## 98 7.45 161 82 5 287 129 Bad 33 16
## 99 12.49 122 77 24 382 127 Good 36 16
## 100 4.88 121 47 3 220 107 Bad 56 16
## 101 4.11 113 69 11 94 106 Medium 76 12
## 102 6.20 128 93 0 89 118 Medium 34 18
## 103 5.30 113 22 0 57 97 Medium 65 16
## 104 5.07 123 91 0 334 96 Bad 78 17
## 105 4.62 121 96 0 472 138 Medium 51 12
## 106 5.55 104 100 8 398 97 Medium 61 11
## 107 0.16 102 33 0 217 139 Medium 70 18
## 108 8.55 134 107 0 104 108 Medium 60 12
## 109 3.47 107 79 2 488 103 Bad 65 16
## 110 8.98 115 65 0 217 90 Medium 60 17
## 111 9.00 128 62 7 125 116 Medium 43 14
## 112 6.62 132 118 12 272 151 Medium 43 14
## 113 6.67 116 99 5 298 125 Good 62 12
## 114 6.01 131 29 11 335 127 Bad 33 12
## 115 9.31 122 87 9 17 106 Medium 65 13
## 116 8.54 139 35 0 95 129 Medium 42 13
## 117 5.08 135 75 0 202 128 Medium 80 10
## 118 8.80 145 53 0 507 119 Medium 41 12
## 119 7.57 112 88 2 243 99 Medium 62 11
## 120 7.37 130 94 8 137 128 Medium 64 12
## 121 6.87 128 105 11 249 131 Medium 63 13
## 122 11.67 125 89 10 380 87 Bad 28 10
## 123 6.88 119 100 5 45 108 Medium 75 10
## 124 8.19 127 103 0 125 155 Good 29 15
## 125 8.87 131 113 0 181 120 Good 63 14
## 126 9.34 89 78 0 181 49 Medium 43 15
## 127 11.27 153 68 2 60 133 Good 59 16
## 128 6.52 125 48 3 192 116 Medium 51 14
## 129 4.96 133 100 3 350 126 Bad 55 13
## 130 4.47 143 120 7 279 147 Bad 40 10
## 131 8.41 94 84 13 497 77 Medium 51 12
## 132 6.50 108 69 3 208 94 Medium 77 16
## 133 9.54 125 87 9 232 136 Good 72 10
## 134 7.62 132 98 2 265 97 Bad 62 12
## 135 3.67 132 31 0 327 131 Medium 76 16
## 136 6.44 96 94 14 384 120 Medium 36 18
## 137 5.17 131 75 0 10 120 Bad 31 18
## 138 6.52 128 42 0 436 118 Medium 80 11
## 139 10.27 125 103 12 371 109 Medium 44 10
## 140 12.30 146 62 10 310 94 Medium 30 13
## 141 6.03 133 60 10 277 129 Medium 45 18
## 142 6.53 140 42 0 331 131 Bad 28 15
## 143 7.44 124 84 0 300 104 Medium 77 15
## 144 0.53 122 88 7 36 159 Bad 28 17
## 145 9.09 132 68 0 264 123 Good 34 11
## 146 8.77 144 63 11 27 117 Medium 47 17
## 147 3.90 114 83 0 412 131 Bad 39 14
## 148 10.51 140 54 9 402 119 Good 41 16
## 149 7.56 110 119 0 384 97 Medium 72 14
## 150 11.48 121 120 13 140 87 Medium 56 11
## 151 10.49 122 84 8 176 114 Good 57 10
## 152 10.77 111 58 17 407 103 Good 75 17
## 153 7.64 128 78 0 341 128 Good 45 13
## 154 5.93 150 36 7 488 150 Medium 25 17
## 155 6.89 129 69 10 289 110 Medium 50 16
## 156 7.71 98 72 0 59 69 Medium 65 16
## 157 7.49 146 34 0 220 157 Good 51 16
## 158 10.21 121 58 8 249 90 Medium 48 13
## 159 12.53 142 90 1 189 112 Good 39 10
## 160 9.32 119 60 0 372 70 Bad 30 18
## 161 4.67 111 28 0 486 111 Medium 29 12
## 162 2.93 143 21 5 81 160 Medium 67 12
## 163 3.63 122 74 0 424 149 Medium 51 13
## 164 5.68 130 64 0 40 106 Bad 39 17
## 165 8.22 148 64 0 58 141 Medium 27 13
## 166 0.37 147 58 7 100 191 Bad 27 15
## 167 6.71 119 67 17 151 137 Medium 55 11
## 168 6.71 106 73 0 216 93 Medium 60 13
## 169 7.30 129 89 0 425 117 Medium 45 10
## 170 11.48 104 41 15 492 77 Good 73 18
## 171 8.01 128 39 12 356 118 Medium 71 10
## 172 12.49 93 106 12 416 55 Medium 75 15
## 173 9.03 104 102 13 123 110 Good 35 16
## 174 6.38 135 91 5 207 128 Medium 66 18
## 175 0.00 139 24 0 358 185 Medium 79 15
## 176 7.54 115 89 0 38 122 Medium 25 12
## 177 5.61 138 107 9 480 154 Medium 47 11
## 178 10.48 138 72 0 148 94 Medium 27 17
## 179 10.66 104 71 14 89 81 Medium 25 14
## 180 7.78 144 25 3 70 116 Medium 77 18
## 181 4.94 137 112 15 434 149 Bad 66 13
## 182 7.43 121 83 0 79 91 Medium 68 11
## 183 4.74 137 60 4 230 140 Bad 25 13
## 184 5.32 118 74 6 426 102 Medium 80 18
## 185 9.95 132 33 7 35 97 Medium 60 11
## 186 10.07 130 100 11 449 107 Medium 64 10
## 187 8.68 120 51 0 93 86 Medium 46 17
## 188 6.03 117 32 0 142 96 Bad 62 17
## 189 8.07 116 37 0 426 90 Medium 76 15
## 190 12.11 118 117 18 509 104 Medium 26 15
## 191 8.79 130 37 13 297 101 Medium 37 13
## 192 6.67 156 42 13 170 173 Good 74 14
## 193 7.56 108 26 0 408 93 Medium 56 14
## 194 13.28 139 70 7 71 96 Good 61 10
## 195 7.23 112 98 18 481 128 Medium 45 11
## 196 4.19 117 93 4 420 112 Bad 66 11
## 197 4.10 130 28 6 410 133 Bad 72 16
## 198 2.52 124 61 0 333 138 Medium 76 16
## 199 3.62 112 80 5 500 128 Medium 69 10
## 200 6.42 122 88 5 335 126 Medium 64 14
## 201 5.56 144 92 0 349 146 Medium 62 12
## 202 5.94 138 83 0 139 134 Medium 54 18
## 203 4.10 121 78 4 413 130 Bad 46 10
## 204 2.05 131 82 0 132 157 Bad 25 14
## 205 8.74 155 80 0 237 124 Medium 37 14
## 206 5.68 113 22 1 317 132 Medium 28 12
## 207 4.97 162 67 0 27 160 Medium 77 17
## 208 8.19 111 105 0 466 97 Bad 61 10
## 209 7.78 86 54 0 497 64 Bad 33 12
## 210 3.02 98 21 11 326 90 Bad 76 11
## 211 4.36 125 41 2 357 123 Bad 47 14
## 212 9.39 117 118 14 445 120 Medium 32 15
## 213 12.04 145 69 19 501 105 Medium 45 11
## 214 8.23 149 84 5 220 139 Medium 33 10
## 215 4.83 115 115 3 48 107 Medium 73 18
## 216 2.34 116 83 15 170 144 Bad 71 11
## 217 5.73 141 33 0 243 144 Medium 34 17
## 218 4.34 106 44 0 481 111 Medium 70 14
## 219 9.70 138 61 12 156 120 Medium 25 14
## 220 10.62 116 79 19 359 116 Good 58 17
## 221 10.59 131 120 15 262 124 Medium 30 10
## 222 6.43 124 44 0 125 107 Medium 80 11
## 223 7.49 136 119 6 178 145 Medium 35 13
## 224 3.45 110 45 9 276 125 Medium 62 14
## 225 4.10 134 82 0 464 141 Medium 48 13
## 226 6.68 107 25 0 412 82 Bad 36 14
## 227 7.80 119 33 0 245 122 Good 56 14
## 228 8.69 113 64 10 68 101 Medium 57 16
## 229 5.40 149 73 13 381 163 Bad 26 11
## 230 11.19 98 104 0 404 72 Medium 27 18
## 231 5.16 115 60 0 119 114 Bad 38 14
## 232 8.09 132 69 0 123 122 Medium 27 11
## 233 13.14 137 80 10 24 105 Good 61 15
## 234 8.65 123 76 18 218 120 Medium 29 14
## 235 9.43 115 62 11 289 129 Good 56 16
## 236 5.53 126 32 8 95 132 Medium 50 17
## 237 9.32 141 34 16 361 108 Medium 69 10
## 238 9.62 151 28 8 499 135 Medium 48 10
## 239 7.36 121 24 0 200 133 Good 73 13
## 240 3.89 123 105 0 149 118 Bad 62 16
## 241 10.31 159 80 0 362 121 Medium 26 18
## 242 12.01 136 63 0 160 94 Medium 38 12
## 243 4.68 124 46 0 199 135 Medium 52 14
## 244 7.82 124 25 13 87 110 Medium 57 10
## 245 8.78 130 30 0 391 100 Medium 26 18
## 246 10.00 114 43 0 199 88 Good 57 10
## 247 6.90 120 56 20 266 90 Bad 78 18
## 248 5.04 123 114 0 298 151 Bad 34 16
## 249 5.36 111 52 0 12 101 Medium 61 11
## 250 5.05 125 67 0 86 117 Bad 65 11
## 251 9.16 137 105 10 435 156 Good 72 14
## 252 3.72 139 111 5 310 132 Bad 62 13
## 253 8.31 133 97 0 70 117 Medium 32 16
## 254 5.64 124 24 5 288 122 Medium 57 12
## 255 9.58 108 104 23 353 129 Good 37 17
## 256 7.71 123 81 8 198 81 Bad 80 15
## 257 4.20 147 40 0 277 144 Medium 73 10
## 258 8.67 125 62 14 477 112 Medium 80 13
## 259 3.47 108 38 0 251 81 Bad 72 14
## 260 5.12 123 36 10 467 100 Bad 74 11
## 261 7.67 129 117 8 400 101 Bad 36 10
## 262 5.71 121 42 4 188 118 Medium 54 15
## 263 6.37 120 77 15 86 132 Medium 48 18
## 264 7.77 116 26 6 434 115 Medium 25 17
## 265 6.95 128 29 5 324 159 Good 31 15
## 266 5.31 130 35 10 402 129 Bad 39 17
## 267 9.10 128 93 12 343 112 Good 73 17
## 268 5.83 134 82 7 473 112 Bad 51 12
## 269 6.53 123 57 0 66 105 Medium 39 11
## 270 5.01 159 69 0 438 166 Medium 46 17
## 271 11.99 119 26 0 284 89 Good 26 10
## 272 4.55 111 56 0 504 110 Medium 62 16
## 273 12.98 113 33 0 14 63 Good 38 12
## 274 10.04 116 106 8 244 86 Medium 58 12
## 275 7.22 135 93 2 67 119 Medium 34 11
## 276 6.67 107 119 11 210 132 Medium 53 11
## 277 6.93 135 69 14 296 130 Medium 73 15
## 278 7.80 136 48 12 326 125 Medium 36 16
## 279 7.22 114 113 2 129 151 Good 40 15
## 280 3.42 141 57 13 376 158 Medium 64 18
## 281 2.86 121 86 10 496 145 Bad 51 10
## 282 11.19 122 69 7 303 105 Good 45 16
## 283 7.74 150 96 0 80 154 Good 61 11
## 284 5.36 135 110 0 112 117 Medium 80 16
## 285 6.97 106 46 11 414 96 Bad 79 17
## 286 7.60 146 26 11 261 131 Medium 39 10
## 287 7.53 117 118 11 429 113 Medium 67 18
## 288 6.88 95 44 4 208 72 Bad 44 17
## 289 6.98 116 40 0 74 97 Medium 76 15
## 290 8.75 143 77 25 448 156 Medium 43 17
## 291 9.49 107 111 14 400 103 Medium 41 11
## 292 6.64 118 70 0 106 89 Bad 39 17
## 293 11.82 113 66 16 322 74 Good 76 15
## 294 11.28 123 84 0 74 89 Good 59 10
## 295 12.66 148 76 3 126 99 Good 60 11
## 296 4.21 118 35 14 502 137 Medium 79 10
## 297 8.21 127 44 13 160 123 Good 63 18
## 298 3.07 118 83 13 276 104 Bad 75 10
## 299 10.98 148 63 0 312 130 Good 63 15
## 300 9.40 135 40 17 497 96 Medium 54 17
## 301 8.57 116 78 1 158 99 Medium 45 11
## 302 7.41 99 93 0 198 87 Medium 57 16
## 303 5.28 108 77 13 388 110 Bad 74 14
## 304 10.01 133 52 16 290 99 Medium 43 11
## 305 11.93 123 98 12 408 134 Good 29 10
## 306 8.03 115 29 26 394 132 Medium 33 13
## 307 4.78 131 32 1 85 133 Medium 48 12
## 308 5.90 138 92 0 13 120 Bad 61 12
## 309 9.24 126 80 19 436 126 Medium 52 10
## 310 11.18 131 111 13 33 80 Bad 68 18
## 311 9.53 175 65 29 419 166 Medium 53 12
## 312 6.15 146 68 12 328 132 Bad 51 14
## 313 6.80 137 117 5 337 135 Bad 38 10
## 314 9.33 103 81 3 491 54 Medium 66 13
## 315 7.72 133 33 10 333 129 Good 71 14
## 316 6.39 131 21 8 220 171 Good 29 14
## 317 15.63 122 36 5 369 72 Good 35 10
## 318 6.41 142 30 0 472 136 Good 80 15
## 319 10.08 116 72 10 456 130 Good 41 14
## 320 6.97 127 45 19 459 129 Medium 57 11
## 321 5.86 136 70 12 171 152 Medium 44 18
## 322 7.52 123 39 5 499 98 Medium 34 15
## 323 9.16 140 50 10 300 139 Good 60 15
## 324 10.36 107 105 18 428 103 Medium 34 12
## 325 2.66 136 65 4 133 150 Bad 53 13
## 326 11.70 144 69 11 131 104 Medium 47 11
## 327 4.69 133 30 0 152 122 Medium 53 17
## 328 6.23 112 38 17 316 104 Medium 80 16
## 329 3.15 117 66 1 65 111 Bad 55 11
## 330 11.27 100 54 9 433 89 Good 45 12
## 331 4.99 122 59 0 501 112 Bad 32 14
## 332 10.10 135 63 15 213 134 Medium 32 10
## 333 5.74 106 33 20 354 104 Medium 61 12
## 334 5.87 136 60 7 303 147 Medium 41 10
## 335 7.63 93 117 9 489 83 Bad 42 13
## 336 6.18 120 70 15 464 110 Medium 72 15
## 337 5.17 138 35 6 60 143 Bad 28 18
## 338 8.61 130 38 0 283 102 Medium 80 15
## 339 5.97 112 24 0 164 101 Medium 45 11
## 340 11.54 134 44 4 219 126 Good 44 15
## 341 7.50 140 29 0 105 91 Bad 43 16
## 342 7.38 98 120 0 268 93 Medium 72 10
## 343 7.81 137 102 13 422 118 Medium 71 10
## 344 5.99 117 42 10 371 121 Bad 26 14
## 345 8.43 138 80 0 108 126 Good 70 13
## 346 4.81 121 68 0 279 149 Good 79 12
## 347 8.97 132 107 0 144 125 Medium 33 13
## 348 6.88 96 39 0 161 112 Good 27 14
## 349 12.57 132 102 20 459 107 Good 49 11
## 350 9.32 134 27 18 467 96 Medium 49 14
## 351 8.64 111 101 17 266 91 Medium 63 17
## 352 10.44 124 115 16 458 105 Medium 62 16
## 353 13.44 133 103 14 288 122 Good 61 17
## 354 9.45 107 67 12 430 92 Medium 35 12
## 355 5.30 133 31 1 80 145 Medium 42 18
## 356 7.02 130 100 0 306 146 Good 42 11
## 357 3.58 142 109 0 111 164 Good 72 12
## 358 13.36 103 73 3 276 72 Medium 34 15
## 359 4.17 123 96 10 71 118 Bad 69 11
## 360 3.13 130 62 11 396 130 Bad 66 14
## 361 8.77 118 86 7 265 114 Good 52 15
## 362 8.68 131 25 10 183 104 Medium 56 15
## 363 5.25 131 55 0 26 110 Bad 79 12
## 364 10.26 111 75 1 377 108 Good 25 12
## 365 10.50 122 21 16 488 131 Good 30 14
## 366 6.53 154 30 0 122 162 Medium 57 17
## 367 5.98 124 56 11 447 134 Medium 53 12
## 368 14.37 95 106 0 256 53 Good 52 17
## 369 10.71 109 22 10 348 79 Good 74 14
## 370 10.26 135 100 22 463 122 Medium 36 14
## 371 7.68 126 41 22 403 119 Bad 42 12
## 372 9.08 152 81 0 191 126 Medium 54 16
## 373 7.80 121 50 0 508 98 Medium 65 11
## 374 5.58 137 71 0 402 116 Medium 78 17
## 375 9.44 131 47 7 90 118 Medium 47 12
## 376 7.90 132 46 4 206 124 Medium 73 11
## 377 16.27 141 60 19 319 92 Good 44 11
## 378 6.81 132 61 0 263 125 Medium 41 12
## 379 6.11 133 88 3 105 119 Medium 79 12
## 380 5.81 125 111 0 404 107 Bad 54 15
## 381 9.64 106 64 10 17 89 Medium 68 17
## 382 3.90 124 65 21 496 151 Bad 77 13
## 383 4.95 121 28 19 315 121 Medium 66 14
## 384 9.35 98 117 0 76 68 Medium 63 10
## 385 12.85 123 37 15 348 112 Good 28 12
## 386 5.87 131 73 13 455 132 Medium 62 17
## 387 5.32 152 116 0 170 160 Medium 39 16
## 388 8.67 142 73 14 238 115 Medium 73 14
## 389 8.14 135 89 11 245 78 Bad 79 16
## 390 8.44 128 42 8 328 107 Medium 35 12
## 391 5.47 108 75 9 61 111 Medium 67 12
## 392 6.10 153 63 0 49 124 Bad 56 16
## 393 4.53 129 42 13 315 130 Bad 34 13
## 394 5.57 109 51 10 26 120 Medium 30 17
## 395 5.35 130 58 19 366 139 Bad 33 16
## 396 12.57 138 108 17 203 128 Good 33 14
## 397 6.14 139 23 3 37 120 Medium 55 11
## 398 7.41 162 26 12 368 159 Medium 40 18
## 399 5.94 100 79 7 284 95 Bad 50 12
## 400 9.71 134 37 0 27 120 Good 49 16
## Urban US
## 1 Yes Yes
## 2 Yes Yes
## 3 Yes Yes
## 4 Yes Yes
## 5 Yes No
## 6 No Yes
## 7 Yes No
## 8 Yes Yes
## 9 No No
## 10 No Yes
## 11 No Yes
## 12 Yes Yes
## 13 Yes No
## 14 Yes Yes
## 15 Yes Yes
## 16 No No
## 17 Yes No
## 18 Yes Yes
## 19 No Yes
## 20 Yes Yes
## 21 Yes Yes
## 22 No Yes
## 23 Yes No
## 24 Yes No
## 25 Yes Yes
## 26 No No
## 27 No Yes
## 28 Yes No
## 29 Yes Yes
## 30 Yes Yes
## 31 Yes No
## 32 Yes Yes
## 33 No Yes
## 34 Yes Yes
## 35 Yes Yes
## 36 No Yes
## 37 No No
## 38 Yes Yes
## 39 Yes No
## 40 No No
## 41 No No
## 42 Yes No
## 43 Yes No
## 44 Yes Yes
## 45 Yes Yes
## 46 Yes Yes
## 47 No Yes
## 48 Yes No
## 49 Yes No
## 50 Yes No
## 51 Yes Yes
## 52 Yes No
## 53 Yes Yes
## 54 Yes Yes
## 55 No Yes
## 56 Yes Yes
## 57 Yes No
## 58 Yes No
## 59 Yes Yes
## 60 Yes No
## 61 Yes Yes
## 62 No No
## 63 Yes Yes
## 64 Yes Yes
## 65 No Yes
## 66 No No
## 67 Yes No
## 68 Yes Yes
## 69 Yes Yes
## 70 Yes No
## 71 Yes Yes
## 72 No Yes
## 73 Yes No
## 74 No Yes
## 75 No Yes
## 76 No Yes
## 77 Yes Yes
## 78 No Yes
## 79 Yes Yes
## 80 Yes No
## 81 Yes Yes
## 82 Yes No
## 83 Yes Yes
## 84 Yes Yes
## 85 No No
## 86 No No
## 87 Yes No
## 88 No Yes
## 89 Yes Yes
## 90 No No
## 91 No No
## 92 Yes Yes
## 93 Yes No
## 94 Yes No
## 95 Yes Yes
## 96 Yes Yes
## 97 No Yes
## 98 Yes Yes
## 99 No Yes
## 100 No Yes
## 101 No Yes
## 102 Yes No
## 103 No No
## 104 Yes Yes
## 105 Yes No
## 106 Yes Yes
## 107 No No
## 108 Yes No
## 109 Yes No
## 110 No No
## 111 Yes Yes
## 112 Yes Yes
## 113 Yes Yes
## 114 Yes Yes
## 115 Yes Yes
## 116 Yes No
## 117 No No
## 118 Yes No
## 119 Yes Yes
## 120 Yes Yes
## 121 Yes Yes
## 122 Yes Yes
## 123 Yes Yes
## 124 No Yes
## 125 Yes No
## 126 No No
## 127 Yes Yes
## 128 Yes Yes
## 129 Yes Yes
## 130 No Yes
## 131 Yes Yes
## 132 Yes No
## 133 Yes Yes
## 134 Yes Yes
## 135 Yes No
## 136 No Yes
## 137 No No
## 138 Yes No
## 139 Yes Yes
## 140 No Yes
## 141 Yes Yes
## 142 Yes No
## 143 Yes No
## 144 Yes Yes
## 145 No No
## 146 Yes Yes
## 147 Yes No
## 148 No Yes
## 149 No Yes
## 150 Yes Yes
## 151 No Yes
## 152 No Yes
## 153 No No
## 154 No Yes
## 155 No Yes
## 156 Yes No
## 157 Yes No
## 158 No Yes
## 159 No Yes
## 160 No No
## 161 No No
## 162 No Yes
## 163 Yes No
## 164 No No
## 165 No Yes
## 166 Yes Yes
## 167 Yes Yes
## 168 Yes No
## 169 Yes No
## 170 Yes Yes
## 171 Yes Yes
## 172 Yes Yes
## 173 Yes Yes
## 174 Yes Yes
## 175 No No
## 176 Yes No
## 177 No Yes
## 178 Yes Yes
## 179 No Yes
## 180 Yes Yes
## 181 Yes Yes
## 182 Yes No
## 183 Yes No
## 184 Yes Yes
## 185 No Yes
## 186 Yes Yes
## 187 No No
## 188 Yes No
## 189 Yes No
## 190 No Yes
## 191 No Yes
## 192 Yes Yes
## 193 No No
## 194 Yes Yes
## 195 Yes Yes
## 196 Yes Yes
## 197 Yes Yes
## 198 Yes No
## 199 Yes Yes
## 200 Yes Yes
## 201 No No
## 202 Yes No
## 203 No Yes
## 204 Yes No
## 205 Yes No
## 206 Yes No
## 207 Yes Yes
## 208 No No
## 209 Yes No
## 210 No Yes
## 211 No Yes
## 212 Yes Yes
## 213 Yes Yes
## 214 Yes Yes
## 215 Yes Yes
## 216 Yes Yes
## 217 Yes No
## 218 No No
## 219 Yes Yes
## 220 Yes Yes
## 221 Yes Yes
## 222 Yes No
## 223 Yes Yes
## 224 Yes Yes
## 225 No No
## 226 Yes No
## 227 Yes No
## 228 Yes Yes
## 229 No Yes
## 230 No No
## 231 No No
## 232 No No
## 233 Yes Yes
## 234 No Yes
## 235 No Yes
## 236 Yes Yes
## 237 Yes Yes
## 238 Yes Yes
## 239 Yes No
## 240 Yes Yes
## 241 Yes No
## 242 Yes No
## 243 No No
## 244 Yes Yes
## 245 Yes No
## 246 No Yes
## 247 Yes Yes
## 248 Yes No
## 249 Yes Yes
## 250 Yes No
## 251 Yes Yes
## 252 Yes Yes
## 253 Yes No
## 254 No Yes
## 255 Yes Yes
## 256 Yes Yes
## 257 Yes No
## 258 Yes Yes
## 259 No No
## 260 No Yes
## 261 Yes Yes
## 262 Yes Yes
## 263 Yes Yes
## 264 Yes Yes
## 265 Yes Yes
## 266 Yes Yes
## 267 No Yes
## 268 No Yes
## 269 Yes No
## 270 Yes No
## 271 Yes No
## 272 Yes No
## 273 Yes No
## 274 Yes Yes
## 275 Yes Yes
## 276 Yes Yes
## 277 Yes Yes
## 278 Yes Yes
## 279 No Yes
## 280 Yes Yes
## 281 Yes Yes
## 282 No Yes
## 283 Yes No
## 284 No No
## 285 No No
## 286 Yes Yes
## 287 No Yes
## 288 Yes Yes
## 289 No No
## 290 Yes Yes
## 291 No Yes
## 292 Yes No
## 293 Yes Yes
## 294 Yes No
## 295 Yes Yes
## 296 No Yes
## 297 Yes Yes
## 298 Yes Yes
## 299 Yes No
## 300 No Yes
## 301 Yes Yes
## 302 Yes Yes
## 303 Yes Yes
## 304 Yes Yes
## 305 Yes Yes
## 306 Yes Yes
## 307 Yes Yes
## 308 Yes No
## 309 Yes Yes
## 310 Yes Yes
## 311 Yes Yes
## 312 Yes Yes
## 313 Yes Yes
## 314 Yes No
## 315 Yes Yes
## 316 Yes Yes
## 317 Yes Yes
## 318 No No
## 319 No Yes
## 320 No Yes
## 321 Yes Yes
## 322 Yes No
## 323 Yes Yes
## 324 Yes Yes
## 325 Yes Yes
## 326 Yes Yes
## 327 Yes No
## 328 Yes Yes
## 329 Yes Yes
## 330 Yes Yes
## 331 No No
## 332 Yes Yes
## 333 Yes Yes
## 334 Yes Yes
## 335 Yes Yes
## 336 Yes Yes
## 337 Yes No
## 338 Yes No
## 339 Yes No
## 340 Yes Yes
## 341 Yes No
## 342 No No
## 343 No Yes
## 344 Yes Yes
## 345 No Yes
## 346 Yes No
## 347 No No
## 348 No No
## 349 Yes Yes
## 350 No Yes
## 351 No Yes
## 352 No Yes
## 353 Yes Yes
## 354 No Yes
## 355 Yes Yes
## 356 Yes No
## 357 Yes No
## 358 Yes Yes
## 359 Yes Yes
## 360 Yes Yes
## 361 No Yes
## 362 No Yes
## 363 Yes Yes
## 364 Yes No
## 365 Yes Yes
## 366 No No
## 367 No Yes
## 368 Yes No
## 369 No Yes
## 370 Yes Yes
## 371 Yes Yes
## 372 Yes No
## 373 No No
## 374 Yes No
## 375 Yes Yes
## 376 Yes No
## 377 Yes Yes
## 378 No No
## 379 Yes Yes
## 380 Yes No
## 381 Yes Yes
## 382 Yes Yes
## 383 Yes Yes
## 384 Yes No
## 385 Yes Yes
## 386 Yes Yes
## 387 Yes No
## 388 No Yes
## 389 Yes Yes
## 390 Yes Yes
## 391 Yes Yes
## 392 Yes No
## 393 Yes Yes
## 394 No Yes
## 395 Yes Yes
## 396 Yes Yes
## 397 No Yes
## 398 Yes Yes
## 399 Yes Yes
## 400 Yes Yesautos1 <- data.frame(Carseats)autos1 %>% filter(US=="Yes" & Income>=120)## Sales CompPrice Income Advertising Population Price ShelveLoc Age Education
## 130 4.47 143 120 7 279 147 Bad 40 10
## 150 11.48 121 120 13 140 87 Medium 56 11
## 221 10.59 131 120 15 262 124 Medium 30 10
## Urban US
## 130 No Yes
## 150 Yes Yes
## 221 Yes Yes- Seleccione las variables Age y Education, mostrando las ultimas 5 filas
autos1 %>% select(Age,Education) %>% tail(5)## Age Education
## 396 33 14
## 397 55 11
## 398 40 18
## 399 50 12
## 400 49 16- Realizar el grafico de densidad de la variables Sales
ggplot(autos1,aes(Sales,fill="violet"))+geom_density()+ggtitle ("Grafico de densidad")
- Realice un boxplot de la variable Income, segun US.
ggplot(autos1,aes(US,Income))+geom_boxplot()+ggtitle("Boxplot")+xlab("Tienda en US")+ylab("Ingreso")
- Seleccione las variables Sales, Price e Income del data frame.
autos1 %>% select(Sales,Price, Income)## Sales Price Income
## 1 9.50 120 73
## 2 11.22 83 48
## 3 10.06 80 35
## 4 7.40 97 100
## 5 4.15 128 64
## 6 10.81 72 113
## 7 6.63 108 105
## 8 11.85 120 81
## 9 6.54 124 110
## 10 4.69 124 113
## 11 9.01 100 78
## 12 11.96 94 94
## 13 3.98 136 35
## 14 10.96 86 28
## 15 11.17 118 117
## 16 8.71 144 95
## 17 7.58 110 32
## 18 12.29 131 74
## 19 13.91 68 110
## 20 8.73 121 76
## 21 6.41 131 90
## 22 12.13 109 29
## 23 5.08 138 46
## 24 5.87 109 31
## 25 10.14 113 119
## 26 14.90 82 32
## 27 8.33 131 115
## 28 5.27 107 118
## 29 2.99 97 74
## 30 7.81 102 99
## 31 13.55 89 94
## 32 8.25 131 58
## 33 6.20 137 32
## 34 8.77 128 38
## 35 2.67 128 54
## 36 11.07 96 84
## 37 8.89 100 76
## 38 4.95 110 41
## 39 6.59 102 73
## 40 3.24 138 60
## 41 2.07 126 98
## 42 7.96 124 53
## 43 10.43 24 69
## 44 4.12 134 42
## 45 4.16 95 79
## 46 4.56 135 63
## 47 12.44 70 90
## 48 4.38 108 98
## 49 3.91 98 52
## 50 10.61 149 93
## 51 1.42 108 32
## 52 4.42 108 90
## 53 7.91 129 40
## 54 6.92 119 64
## 55 4.90 144 103
## 56 6.85 154 81
## 57 11.91 84 82
## 58 0.91 117 91
## 59 5.42 103 93
## 60 5.21 114 71
## 61 8.32 123 102
## 62 7.32 107 32
## 63 1.82 133 45
## 64 8.47 101 88
## 65 7.80 104 67
## 66 4.90 128 26
## 67 8.85 91 92
## 68 9.01 115 61
## 69 13.39 134 69
## 70 7.99 99 59
## 71 9.46 99 81
## 72 6.50 150 51
## 73 5.52 116 45
## 74 12.61 104 90
## 75 6.20 136 68
## 76 8.55 92 111
## 77 10.64 70 87
## 78 7.70 89 71
## 79 4.43 145 48
## 80 9.14 90 67
## 81 8.01 79 100
## 82 7.52 128 72
## 83 11.62 139 83
## 84 4.42 94 36
## 85 2.23 121 25
## 86 8.47 112 103
## 87 8.70 134 84
## 88 11.70 126 67
## 89 6.56 111 42
## 90 7.95 119 66
## 91 5.33 103 22
## 92 4.81 107 46
## 93 4.53 125 113
## 94 8.86 104 30
## 95 8.39 84 97
## 96 5.58 148 25
## 97 9.48 132 42
## 98 7.45 129 82
## 99 12.49 127 77
## 100 4.88 107 47
## 101 4.11 106 69
## 102 6.20 118 93
## 103 5.30 97 22
## 104 5.07 96 91
## 105 4.62 138 96
## 106 5.55 97 100
## 107 0.16 139 33
## 108 8.55 108 107
## 109 3.47 103 79
## 110 8.98 90 65
## 111 9.00 116 62
## 112 6.62 151 118
## 113 6.67 125 99
## 114 6.01 127 29
## 115 9.31 106 87
## 116 8.54 129 35
## 117 5.08 128 75
## 118 8.80 119 53
## 119 7.57 99 88
## 120 7.37 128 94
## 121 6.87 131 105
## 122 11.67 87 89
## 123 6.88 108 100
## 124 8.19 155 103
## 125 8.87 120 113
## 126 9.34 49 78
## 127 11.27 133 68
## 128 6.52 116 48
## 129 4.96 126 100
## 130 4.47 147 120
## 131 8.41 77 84
## 132 6.50 94 69
## 133 9.54 136 87
## 134 7.62 97 98
## 135 3.67 131 31
## 136 6.44 120 94
## 137 5.17 120 75
## 138 6.52 118 42
## 139 10.27 109 103
## 140 12.30 94 62
## 141 6.03 129 60
## 142 6.53 131 42
## 143 7.44 104 84
## 144 0.53 159 88
## 145 9.09 123 68
## 146 8.77 117 63
## 147 3.90 131 83
## 148 10.51 119 54
## 149 7.56 97 119
## 150 11.48 87 120
## 151 10.49 114 84
## 152 10.77 103 58
## 153 7.64 128 78
## 154 5.93 150 36
## 155 6.89 110 69
## 156 7.71 69 72
## 157 7.49 157 34
## 158 10.21 90 58
## 159 12.53 112 90
## 160 9.32 70 60
## 161 4.67 111 28
## 162 2.93 160 21
## 163 3.63 149 74
## 164 5.68 106 64
## 165 8.22 141 64
## 166 0.37 191 58
## 167 6.71 137 67
## 168 6.71 93 73
## 169 7.30 117 89
## 170 11.48 77 41
## 171 8.01 118 39
## 172 12.49 55 106
## 173 9.03 110 102
## 174 6.38 128 91
## 175 0.00 185 24
## 176 7.54 122 89
## 177 5.61 154 107
## 178 10.48 94 72
## 179 10.66 81 71
## 180 7.78 116 25
## 181 4.94 149 112
## 182 7.43 91 83
## 183 4.74 140 60
## 184 5.32 102 74
## 185 9.95 97 33
## 186 10.07 107 100
## 187 8.68 86 51
## 188 6.03 96 32
## 189 8.07 90 37
## 190 12.11 104 117
## 191 8.79 101 37
## 192 6.67 173 42
## 193 7.56 93 26
## 194 13.28 96 70
## 195 7.23 128 98
## 196 4.19 112 93
## 197 4.10 133 28
## 198 2.52 138 61
## 199 3.62 128 80
## 200 6.42 126 88
## 201 5.56 146 92
## 202 5.94 134 83
## 203 4.10 130 78
## 204 2.05 157 82
## 205 8.74 124 80
## 206 5.68 132 22
## 207 4.97 160 67
## 208 8.19 97 105
## 209 7.78 64 54
## 210 3.02 90 21
## 211 4.36 123 41
## 212 9.39 120 118
## 213 12.04 105 69
## 214 8.23 139 84
## 215 4.83 107 115
## 216 2.34 144 83
## 217 5.73 144 33
## 218 4.34 111 44
## 219 9.70 120 61
## 220 10.62 116 79
## 221 10.59 124 120
## 222 6.43 107 44
## 223 7.49 145 119
## 224 3.45 125 45
## 225 4.10 141 82
## 226 6.68 82 25
## 227 7.80 122 33
## 228 8.69 101 64
## 229 5.40 163 73
## 230 11.19 72 104
## 231 5.16 114 60
## 232 8.09 122 69
## 233 13.14 105 80
## 234 8.65 120 76
## 235 9.43 129 62
## 236 5.53 132 32
## 237 9.32 108 34
## 238 9.62 135 28
## 239 7.36 133 24
## 240 3.89 118 105
## 241 10.31 121 80
## 242 12.01 94 63
## 243 4.68 135 46
## 244 7.82 110 25
## 245 8.78 100 30
## 246 10.00 88 43
## 247 6.90 90 56
## 248 5.04 151 114
## 249 5.36 101 52
## 250 5.05 117 67
## 251 9.16 156 105
## 252 3.72 132 111
## 253 8.31 117 97
## 254 5.64 122 24
## 255 9.58 129 104
## 256 7.71 81 81
## 257 4.20 144 40
## 258 8.67 112 62
## 259 3.47 81 38
## 260 5.12 100 36
## 261 7.67 101 117
## 262 5.71 118 42
## 263 6.37 132 77
## 264 7.77 115 26
## 265 6.95 159 29
## 266 5.31 129 35
## 267 9.10 112 93
## 268 5.83 112 82
## 269 6.53 105 57
## 270 5.01 166 69
## 271 11.99 89 26
## 272 4.55 110 56
## 273 12.98 63 33
## 274 10.04 86 106
## 275 7.22 119 93
## 276 6.67 132 119
## 277 6.93 130 69
## 278 7.80 125 48
## 279 7.22 151 113
## 280 3.42 158 57
## 281 2.86 145 86
## 282 11.19 105 69
## 283 7.74 154 96
## 284 5.36 117 110
## 285 6.97 96 46
## 286 7.60 131 26
## 287 7.53 113 118
## 288 6.88 72 44
## 289 6.98 97 40
## 290 8.75 156 77
## 291 9.49 103 111
## 292 6.64 89 70
## 293 11.82 74 66
## 294 11.28 89 84
## 295 12.66 99 76
## 296 4.21 137 35
## 297 8.21 123 44
## 298 3.07 104 83
## 299 10.98 130 63
## 300 9.40 96 40
## 301 8.57 99 78
## 302 7.41 87 93
## 303 5.28 110 77
## 304 10.01 99 52
## 305 11.93 134 98
## 306 8.03 132 29
## 307 4.78 133 32
## 308 5.90 120 92
## 309 9.24 126 80
## 310 11.18 80 111
## 311 9.53 166 65
## 312 6.15 132 68
## 313 6.80 135 117
## 314 9.33 54 81
## 315 7.72 129 33
## 316 6.39 171 21
## 317 15.63 72 36
## 318 6.41 136 30
## 319 10.08 130 72
## 320 6.97 129 45
## 321 5.86 152 70
## 322 7.52 98 39
## 323 9.16 139 50
## 324 10.36 103 105
## 325 2.66 150 65
## 326 11.70 104 69
## 327 4.69 122 30
## 328 6.23 104 38
## 329 3.15 111 66
## 330 11.27 89 54
## 331 4.99 112 59
## 332 10.10 134 63
## 333 5.74 104 33
## 334 5.87 147 60
## 335 7.63 83 117
## 336 6.18 110 70
## 337 5.17 143 35
## 338 8.61 102 38
## 339 5.97 101 24
## 340 11.54 126 44
## 341 7.50 91 29
## 342 7.38 93 120
## 343 7.81 118 102
## 344 5.99 121 42
## 345 8.43 126 80
## 346 4.81 149 68
## 347 8.97 125 107
## 348 6.88 112 39
## 349 12.57 107 102
## 350 9.32 96 27
## 351 8.64 91 101
## 352 10.44 105 115
## 353 13.44 122 103
## 354 9.45 92 67
## 355 5.30 145 31
## 356 7.02 146 100
## 357 3.58 164 109
## 358 13.36 72 73
## 359 4.17 118 96
## 360 3.13 130 62
## 361 8.77 114 86
## 362 8.68 104 25
## 363 5.25 110 55
## 364 10.26 108 75
## 365 10.50 131 21
## 366 6.53 162 30
## 367 5.98 134 56
## 368 14.37 53 106
## 369 10.71 79 22
## 370 10.26 122 100
## 371 7.68 119 41
## 372 9.08 126 81
## 373 7.80 98 50
## 374 5.58 116 71
## 375 9.44 118 47
## 376 7.90 124 46
## 377 16.27 92 60
## 378 6.81 125 61
## 379 6.11 119 88
## 380 5.81 107 111
## 381 9.64 89 64
## 382 3.90 151 65
## 383 4.95 121 28
## 384 9.35 68 117
## 385 12.85 112 37
## 386 5.87 132 73
## 387 5.32 160 116
## 388 8.67 115 73
## 389 8.14 78 89
## 390 8.44 107 42
## 391 5.47 111 75
## 392 6.10 124 63
## 393 4.53 130 42
## 394 5.57 120 51
## 395 5.35 139 58
## 396 12.57 128 108
## 397 6.14 120 23
## 398 7.41 159 26
## 399 5.94 95 79
## 400 9.71 120 37autos1 %>% select(1,3,6)## Sales Income Price
## 1 9.50 73 120
## 2 11.22 48 83
## 3 10.06 35 80
## 4 7.40 100 97
## 5 4.15 64 128
## 6 10.81 113 72
## 7 6.63 105 108
## 8 11.85 81 120
## 9 6.54 110 124
## 10 4.69 113 124
## 11 9.01 78 100
## 12 11.96 94 94
## 13 3.98 35 136
## 14 10.96 28 86
## 15 11.17 117 118
## 16 8.71 95 144
## 17 7.58 32 110
## 18 12.29 74 131
## 19 13.91 110 68
## 20 8.73 76 121
## 21 6.41 90 131
## 22 12.13 29 109
## 23 5.08 46 138
## 24 5.87 31 109
## 25 10.14 119 113
## 26 14.90 32 82
## 27 8.33 115 131
## 28 5.27 118 107
## 29 2.99 74 97
## 30 7.81 99 102
## 31 13.55 94 89
## 32 8.25 58 131
## 33 6.20 32 137
## 34 8.77 38 128
## 35 2.67 54 128
## 36 11.07 84 96
## 37 8.89 76 100
## 38 4.95 41 110
## 39 6.59 73 102
## 40 3.24 60 138
## 41 2.07 98 126
## 42 7.96 53 124
## 43 10.43 69 24
## 44 4.12 42 134
## 45 4.16 79 95
## 46 4.56 63 135
## 47 12.44 90 70
## 48 4.38 98 108
## 49 3.91 52 98
## 50 10.61 93 149
## 51 1.42 32 108
## 52 4.42 90 108
## 53 7.91 40 129
## 54 6.92 64 119
## 55 4.90 103 144
## 56 6.85 81 154
## 57 11.91 82 84
## 58 0.91 91 117
## 59 5.42 93 103
## 60 5.21 71 114
## 61 8.32 102 123
## 62 7.32 32 107
## 63 1.82 45 133
## 64 8.47 88 101
## 65 7.80 67 104
## 66 4.90 26 128
## 67 8.85 92 91
## 68 9.01 61 115
## 69 13.39 69 134
## 70 7.99 59 99
## 71 9.46 81 99
## 72 6.50 51 150
## 73 5.52 45 116
## 74 12.61 90 104
## 75 6.20 68 136
## 76 8.55 111 92
## 77 10.64 87 70
## 78 7.70 71 89
## 79 4.43 48 145
## 80 9.14 67 90
## 81 8.01 100 79
## 82 7.52 72 128
## 83 11.62 83 139
## 84 4.42 36 94
## 85 2.23 25 121
## 86 8.47 103 112
## 87 8.70 84 134
## 88 11.70 67 126
## 89 6.56 42 111
## 90 7.95 66 119
## 91 5.33 22 103
## 92 4.81 46 107
## 93 4.53 113 125
## 94 8.86 30 104
## 95 8.39 97 84
## 96 5.58 25 148
## 97 9.48 42 132
## 98 7.45 82 129
## 99 12.49 77 127
## 100 4.88 47 107
## 101 4.11 69 106
## 102 6.20 93 118
## 103 5.30 22 97
## 104 5.07 91 96
## 105 4.62 96 138
## 106 5.55 100 97
## 107 0.16 33 139
## 108 8.55 107 108
## 109 3.47 79 103
## 110 8.98 65 90
## 111 9.00 62 116
## 112 6.62 118 151
## 113 6.67 99 125
## 114 6.01 29 127
## 115 9.31 87 106
## 116 8.54 35 129
## 117 5.08 75 128
## 118 8.80 53 119
## 119 7.57 88 99
## 120 7.37 94 128
## 121 6.87 105 131
## 122 11.67 89 87
## 123 6.88 100 108
## 124 8.19 103 155
## 125 8.87 113 120
## 126 9.34 78 49
## 127 11.27 68 133
## 128 6.52 48 116
## 129 4.96 100 126
## 130 4.47 120 147
## 131 8.41 84 77
## 132 6.50 69 94
## 133 9.54 87 136
## 134 7.62 98 97
## 135 3.67 31 131
## 136 6.44 94 120
## 137 5.17 75 120
## 138 6.52 42 118
## 139 10.27 103 109
## 140 12.30 62 94
## 141 6.03 60 129
## 142 6.53 42 131
## 143 7.44 84 104
## 144 0.53 88 159
## 145 9.09 68 123
## 146 8.77 63 117
## 147 3.90 83 131
## 148 10.51 54 119
## 149 7.56 119 97
## 150 11.48 120 87
## 151 10.49 84 114
## 152 10.77 58 103
## 153 7.64 78 128
## 154 5.93 36 150
## 155 6.89 69 110
## 156 7.71 72 69
## 157 7.49 34 157
## 158 10.21 58 90
## 159 12.53 90 112
## 160 9.32 60 70
## 161 4.67 28 111
## 162 2.93 21 160
## 163 3.63 74 149
## 164 5.68 64 106
## 165 8.22 64 141
## 166 0.37 58 191
## 167 6.71 67 137
## 168 6.71 73 93
## 169 7.30 89 117
## 170 11.48 41 77
## 171 8.01 39 118
## 172 12.49 106 55
## 173 9.03 102 110
## 174 6.38 91 128
## 175 0.00 24 185
## 176 7.54 89 122
## 177 5.61 107 154
## 178 10.48 72 94
## 179 10.66 71 81
## 180 7.78 25 116
## 181 4.94 112 149
## 182 7.43 83 91
## 183 4.74 60 140
## 184 5.32 74 102
## 185 9.95 33 97
## 186 10.07 100 107
## 187 8.68 51 86
## 188 6.03 32 96
## 189 8.07 37 90
## 190 12.11 117 104
## 191 8.79 37 101
## 192 6.67 42 173
## 193 7.56 26 93
## 194 13.28 70 96
## 195 7.23 98 128
## 196 4.19 93 112
## 197 4.10 28 133
## 198 2.52 61 138
## 199 3.62 80 128
## 200 6.42 88 126
## 201 5.56 92 146
## 202 5.94 83 134
## 203 4.10 78 130
## 204 2.05 82 157
## 205 8.74 80 124
## 206 5.68 22 132
## 207 4.97 67 160
## 208 8.19 105 97
## 209 7.78 54 64
## 210 3.02 21 90
## 211 4.36 41 123
## 212 9.39 118 120
## 213 12.04 69 105
## 214 8.23 84 139
## 215 4.83 115 107
## 216 2.34 83 144
## 217 5.73 33 144
## 218 4.34 44 111
## 219 9.70 61 120
## 220 10.62 79 116
## 221 10.59 120 124
## 222 6.43 44 107
## 223 7.49 119 145
## 224 3.45 45 125
## 225 4.10 82 141
## 226 6.68 25 82
## 227 7.80 33 122
## 228 8.69 64 101
## 229 5.40 73 163
## 230 11.19 104 72
## 231 5.16 60 114
## 232 8.09 69 122
## 233 13.14 80 105
## 234 8.65 76 120
## 235 9.43 62 129
## 236 5.53 32 132
## 237 9.32 34 108
## 238 9.62 28 135
## 239 7.36 24 133
## 240 3.89 105 118
## 241 10.31 80 121
## 242 12.01 63 94
## 243 4.68 46 135
## 244 7.82 25 110
## 245 8.78 30 100
## 246 10.00 43 88
## 247 6.90 56 90
## 248 5.04 114 151
## 249 5.36 52 101
## 250 5.05 67 117
## 251 9.16 105 156
## 252 3.72 111 132
## 253 8.31 97 117
## 254 5.64 24 122
## 255 9.58 104 129
## 256 7.71 81 81
## 257 4.20 40 144
## 258 8.67 62 112
## 259 3.47 38 81
## 260 5.12 36 100
## 261 7.67 117 101
## 262 5.71 42 118
## 263 6.37 77 132
## 264 7.77 26 115
## 265 6.95 29 159
## 266 5.31 35 129
## 267 9.10 93 112
## 268 5.83 82 112
## 269 6.53 57 105
## 270 5.01 69 166
## 271 11.99 26 89
## 272 4.55 56 110
## 273 12.98 33 63
## 274 10.04 106 86
## 275 7.22 93 119
## 276 6.67 119 132
## 277 6.93 69 130
## 278 7.80 48 125
## 279 7.22 113 151
## 280 3.42 57 158
## 281 2.86 86 145
## 282 11.19 69 105
## 283 7.74 96 154
## 284 5.36 110 117
## 285 6.97 46 96
## 286 7.60 26 131
## 287 7.53 118 113
## 288 6.88 44 72
## 289 6.98 40 97
## 290 8.75 77 156
## 291 9.49 111 103
## 292 6.64 70 89
## 293 11.82 66 74
## 294 11.28 84 89
## 295 12.66 76 99
## 296 4.21 35 137
## 297 8.21 44 123
## 298 3.07 83 104
## 299 10.98 63 130
## 300 9.40 40 96
## 301 8.57 78 99
## 302 7.41 93 87
## 303 5.28 77 110
## 304 10.01 52 99
## 305 11.93 98 134
## 306 8.03 29 132
## 307 4.78 32 133
## 308 5.90 92 120
## 309 9.24 80 126
## 310 11.18 111 80
## 311 9.53 65 166
## 312 6.15 68 132
## 313 6.80 117 135
## 314 9.33 81 54
## 315 7.72 33 129
## 316 6.39 21 171
## 317 15.63 36 72
## 318 6.41 30 136
## 319 10.08 72 130
## 320 6.97 45 129
## 321 5.86 70 152
## 322 7.52 39 98
## 323 9.16 50 139
## 324 10.36 105 103
## 325 2.66 65 150
## 326 11.70 69 104
## 327 4.69 30 122
## 328 6.23 38 104
## 329 3.15 66 111
## 330 11.27 54 89
## 331 4.99 59 112
## 332 10.10 63 134
## 333 5.74 33 104
## 334 5.87 60 147
## 335 7.63 117 83
## 336 6.18 70 110
## 337 5.17 35 143
## 338 8.61 38 102
## 339 5.97 24 101
## 340 11.54 44 126
## 341 7.50 29 91
## 342 7.38 120 93
## 343 7.81 102 118
## 344 5.99 42 121
## 345 8.43 80 126
## 346 4.81 68 149
## 347 8.97 107 125
## 348 6.88 39 112
## 349 12.57 102 107
## 350 9.32 27 96
## 351 8.64 101 91
## 352 10.44 115 105
## 353 13.44 103 122
## 354 9.45 67 92
## 355 5.30 31 145
## 356 7.02 100 146
## 357 3.58 109 164
## 358 13.36 73 72
## 359 4.17 96 118
## 360 3.13 62 130
## 361 8.77 86 114
## 362 8.68 25 104
## 363 5.25 55 110
## 364 10.26 75 108
## 365 10.50 21 131
## 366 6.53 30 162
## 367 5.98 56 134
## 368 14.37 106 53
## 369 10.71 22 79
## 370 10.26 100 122
## 371 7.68 41 119
## 372 9.08 81 126
## 373 7.80 50 98
## 374 5.58 71 116
## 375 9.44 47 118
## 376 7.90 46 124
## 377 16.27 60 92
## 378 6.81 61 125
## 379 6.11 88 119
## 380 5.81 111 107
## 381 9.64 64 89
## 382 3.90 65 151
## 383 4.95 28 121
## 384 9.35 117 68
## 385 12.85 37 112
## 386 5.87 73 132
## 387 5.32 116 160
## 388 8.67 73 115
## 389 8.14 89 78
## 390 8.44 42 107
## 391 5.47 75 111
## 392 6.10 63 124
## 393 4.53 42 130
## 394 5.57 51 120
## 395 5.35 58 139
## 396 12.57 108 128
## 397 6.14 23 120
## 398 7.41 26 159
## 399 5.94 79 95
## 400 9.71 37 120