R Markdown

Tổng quan về dữ liệu

Nguồn dữ liệu:

Bộ dữ liệu ’ ADO 2022_Inflation’, bao gồm nhiều biến khác nhau về sự lạm phát của các nước từ năm 2017 - 2023

Đọc dữ liệu từ file ‘ADO 2022_Inflation’

Cài đặt và tải lên gói xlsx

library(xlsx)
# Dùng câu lệnh 'read.xlsx' đọc dữ liệu từ file xlsx đưa vào R dưới dạng khung dữ liệu có tên 'dataset'

# Sử dụng 'sheetIndex = 1' để đọc trang đầu tiên. 'header = T' nếu đúng thì dòng đầu tiên được làm tên các biến

# Sử dụng 'sheetIndex = 1' để đọc trang đầu tiên. 'header = T' nếu đúng thì dòng đầu tiên được làm tên các biến
d <- read.xlsx(file.choose(), sheetIndex = 1, header = T)
d
##                               NA. X2017 X2018 X2019 X2020 X2021 X2022 X2023
## 1                         Armenia   1.0   2.5  1.40   1.2   7.2     9   7.5
## 2                      Azerbaijan  12.9   2.3  2.60   2.8   6.7     7   5.3
## 3                         Georgia   6.0   2.6  4.90   5.2   9.6     7     4
## 4                      Kazakhstan   7.5   6.0  5.28   6.8     8   7.8   6.4
## 5                 Kyrgyz Republic   3.2   1.5  1.10   6.3  11.9    15    12
## 6                      Tajikistan   6.7   5.4  8.00   9.4     8    15    10
## 7                    Turkmenistan   8.0  13.2 13.00  10.0  12.5    13    10
## 8                      Uzbekistan  13.7  17.5 14.60  12.9  10.7     9     8
## 9                Hong Kong, China   1.5   2.3  2.90   0.3   1.6   2.3     2
## 10                       Mongolia   4.3   6.8  7.30   3.7   7.1  12.4   9.3
## 11     People's Republic of China   1.6   2.1  2.90   2.5   0.9   2.3     2
## 12              Republic of Korea   1.9   1.5  0.40   0.5   2.5   3.2     2
## 13                   Taipei,China   0.6   1.3  0.60  -0.2     2   1.9   1.6
## 14                    Afghanistan   5.0   0.6  2.30   5.6   5.2     …     …
## 15                     Bangladesh   5.4   5.8  5.50   5.7   5.6     6   5.9
## 16                         Bhutan   5.0   2.6  2.80   5.6   7.4     7   5.5
## 17                          India   3.6   3.4  4.80   6.2   5.4   5.8     5
## 18                       Maldives   2.8  -0.1  0.20  -1.4   0.5     3   2.5
## 19                          Nepal   4.5   4.2  4.60   6.2   3.6   6.5   6.2
## 20                       Pakistan   4.8   4.7  6.80  10.7   8.9    11   8.5
## 21                      Sri Lanka   6.6   4.3  4.30   4.6     6  13.3   6.7
## 22              Brunei Darussalam  -1.3   1.0 -0.40   1.9   1.7   1.6     1
## 23                       Cambodia   2.9   2.5  1.90   2.9   2.9   4.7   2.2
## 24                      Indonesia   3.8   3.2  3.80   2.0   1.6   3.6     3
## 25         Lao People’s Dem. Rep.   0.8   2.0  3.30   5.1   3.7   5.8     5
## 26                       Malaysia   3.8   1.0  0.70  -1.1   2.5     3   2.5
## 27                        Myanmar   4.0   5.9  8.60   5.7   3.6     8   8.5
## 28                    Philippines   2.9   5.2  2.40   2.4   3.9   4.2   3.5
## 29                      Singapore   0.6   0.4  0.60  -0.2   2.3     3   2.3
## 30                       Thailand   0.7   1.1  0.70  -0.8   1.2   3.3   2.2
## 31                    Timor-Leste   0.6   2.4  1.00   0.5   3.8   2.6   2.7
## 32                       Viet Nam   3.5   3.5  2.80   3.2   1.8   3.8     4
## 33                   Cook Islands  -0.4   0.1  0.00   0.7   2.2   4.3     4
## 34 Federated States of Micronesia   0.7   1.7 -2.60  -2.9     2   4.6     2
## 35                           Fiji   3.3   4.1  1.80  -2.6   0.2   4.5     4
## 36                       Kiribati   0.3   0.6 -1.80   2.3     1     5   3.7
## 37               Marshall Islands   0.0   0.8  0.10  -0.8     1   4.1     4
## 38                          Nauru   5.1   0.5  4.30   0.9   1.2   2.3   2.2
## 39                           Niue   5.0  10.1  1.90   2.7   ...   ...   ...
## 40                          Palau   0.9   2.0  0.60   0.7   0.5   4.3   4.2
## 41               Papua New Guinea   5.4   4.7  3.60   4.9   4.5   6.4   5.1
## 42                          Samoa   1.3   3.7  2.20   1.5    -3   8.9   3.2
## 43                Solomon Islands   0.5   3.5  1.60   3.0  -0.2     5     4
## 44                          Tonga   9.4  -3.8  4.00   0.2   1.4   7.6   4.2
## 45                         Tuvalu   4.1   2.2  3.50   1.6   6.7   3.8   3.3
## 46                        Vanuatu   3.1   2.3  2.80   5.3   2.1   4.8   3.2

Thông tin tổng quan

Kiểm tra xem dữ liệu có phải là data frame hay không bằng hàm ‘is.data.frame’

is.data.frame(d)
## [1] TRUE

RStudio trả về giá trị TRUE, vì vậy đối tượng dữ liệu là data frame

Sử dụng hàm ‘name’ để biết tên của các biến trong dữ liệu

names(d)
## [1] "NA."   "X2017" "X2018" "X2019" "X2020" "X2021" "X2022" "X2023"

Tên của các biến lần lượt là NA,x2017,x2018,x2019,x2020,x2021,x2022 và x2023

Thực hiện đổi tên cho các biến để thuận tiện thao tác trên dữ liệu

names(d) <- c('Năm','x2017','x2018','x2019','x2020','x2021','x2022','x2023')
d
##                               Năm x2017 x2018 x2019 x2020 x2021 x2022 x2023
## 1                         Armenia   1.0   2.5  1.40   1.2   7.2     9   7.5
## 2                      Azerbaijan  12.9   2.3  2.60   2.8   6.7     7   5.3
## 3                         Georgia   6.0   2.6  4.90   5.2   9.6     7     4
## 4                      Kazakhstan   7.5   6.0  5.28   6.8     8   7.8   6.4
## 5                 Kyrgyz Republic   3.2   1.5  1.10   6.3  11.9    15    12
## 6                      Tajikistan   6.7   5.4  8.00   9.4     8    15    10
## 7                    Turkmenistan   8.0  13.2 13.00  10.0  12.5    13    10
## 8                      Uzbekistan  13.7  17.5 14.60  12.9  10.7     9     8
## 9                Hong Kong, China   1.5   2.3  2.90   0.3   1.6   2.3     2
## 10                       Mongolia   4.3   6.8  7.30   3.7   7.1  12.4   9.3
## 11     People's Republic of China   1.6   2.1  2.90   2.5   0.9   2.3     2
## 12              Republic of Korea   1.9   1.5  0.40   0.5   2.5   3.2     2
## 13                   Taipei,China   0.6   1.3  0.60  -0.2     2   1.9   1.6
## 14                    Afghanistan   5.0   0.6  2.30   5.6   5.2     …     …
## 15                     Bangladesh   5.4   5.8  5.50   5.7   5.6     6   5.9
## 16                         Bhutan   5.0   2.6  2.80   5.6   7.4     7   5.5
## 17                          India   3.6   3.4  4.80   6.2   5.4   5.8     5
## 18                       Maldives   2.8  -0.1  0.20  -1.4   0.5     3   2.5
## 19                          Nepal   4.5   4.2  4.60   6.2   3.6   6.5   6.2
## 20                       Pakistan   4.8   4.7  6.80  10.7   8.9    11   8.5
## 21                      Sri Lanka   6.6   4.3  4.30   4.6     6  13.3   6.7
## 22              Brunei Darussalam  -1.3   1.0 -0.40   1.9   1.7   1.6     1
## 23                       Cambodia   2.9   2.5  1.90   2.9   2.9   4.7   2.2
## 24                      Indonesia   3.8   3.2  3.80   2.0   1.6   3.6     3
## 25         Lao People’s Dem. Rep.   0.8   2.0  3.30   5.1   3.7   5.8     5
## 26                       Malaysia   3.8   1.0  0.70  -1.1   2.5     3   2.5
## 27                        Myanmar   4.0   5.9  8.60   5.7   3.6     8   8.5
## 28                    Philippines   2.9   5.2  2.40   2.4   3.9   4.2   3.5
## 29                      Singapore   0.6   0.4  0.60  -0.2   2.3     3   2.3
## 30                       Thailand   0.7   1.1  0.70  -0.8   1.2   3.3   2.2
## 31                    Timor-Leste   0.6   2.4  1.00   0.5   3.8   2.6   2.7
## 32                       Viet Nam   3.5   3.5  2.80   3.2   1.8   3.8     4
## 33                   Cook Islands  -0.4   0.1  0.00   0.7   2.2   4.3     4
## 34 Federated States of Micronesia   0.7   1.7 -2.60  -2.9     2   4.6     2
## 35                           Fiji   3.3   4.1  1.80  -2.6   0.2   4.5     4
## 36                       Kiribati   0.3   0.6 -1.80   2.3     1     5   3.7
## 37               Marshall Islands   0.0   0.8  0.10  -0.8     1   4.1     4
## 38                          Nauru   5.1   0.5  4.30   0.9   1.2   2.3   2.2
## 39                           Niue   5.0  10.1  1.90   2.7   ...   ...   ...
## 40                          Palau   0.9   2.0  0.60   0.7   0.5   4.3   4.2
## 41               Papua New Guinea   5.4   4.7  3.60   4.9   4.5   6.4   5.1
## 42                          Samoa   1.3   3.7  2.20   1.5    -3   8.9   3.2
## 43                Solomon Islands   0.5   3.5  1.60   3.0  -0.2     5     4
## 44                          Tonga   9.4  -3.8  4.00   0.2   1.4   7.6   4.2
## 45                         Tuvalu   4.1   2.2  3.50   1.6   6.7   3.8   3.3
## 46                        Vanuatu   3.1   2.3  2.80   5.3   2.1   4.8   3.2

Tên của các biến được thay đổi lần lượt là Năm,x2017,x2018,x2019,x2020,x2021,x2022 và x2023

Kiểm tra kích thước của data frame gồm bao nhiêu hàng và cột bằng cách sử dụng hàm ‘dim’

dim(d)
## [1] 46  8

Vậy data frame này bao gồm 46 hàng và 8 cột

Rút trích dữ liệu

Rút trích dữ liệu về lạm phát của các nước năm 2023.

Thực hiện rút trích các cột ‘Nước’ và cột ‘2023’, giữ nguyên các quan sát

# Gán dữ liệu được trích vào d1
d1 <- d[ ,c(1,7,8)]
d1
##                               Năm x2022 x2023
## 1                         Armenia     9   7.5
## 2                      Azerbaijan     7   5.3
## 3                         Georgia     7     4
## 4                      Kazakhstan   7.8   6.4
## 5                 Kyrgyz Republic    15    12
## 6                      Tajikistan    15    10
## 7                    Turkmenistan    13    10
## 8                      Uzbekistan     9     8
## 9                Hong Kong, China   2.3     2
## 10                       Mongolia  12.4   9.3
## 11     People's Republic of China   2.3     2
## 12              Republic of Korea   3.2     2
## 13                   Taipei,China   1.9   1.6
## 14                    Afghanistan     …     …
## 15                     Bangladesh     6   5.9
## 16                         Bhutan     7   5.5
## 17                          India   5.8     5
## 18                       Maldives     3   2.5
## 19                          Nepal   6.5   6.2
## 20                       Pakistan    11   8.5
## 21                      Sri Lanka  13.3   6.7
## 22              Brunei Darussalam   1.6     1
## 23                       Cambodia   4.7   2.2
## 24                      Indonesia   3.6     3
## 25         Lao People’s Dem. Rep.   5.8     5
## 26                       Malaysia     3   2.5
## 27                        Myanmar     8   8.5
## 28                    Philippines   4.2   3.5
## 29                      Singapore     3   2.3
## 30                       Thailand   3.3   2.2
## 31                    Timor-Leste   2.6   2.7
## 32                       Viet Nam   3.8     4
## 33                   Cook Islands   4.3     4
## 34 Federated States of Micronesia   4.6     2
## 35                           Fiji   4.5     4
## 36                       Kiribati     5   3.7
## 37               Marshall Islands   4.1     4
## 38                          Nauru   2.3   2.2
## 39                           Niue   ...   ...
## 40                          Palau   4.3   4.2
## 41               Papua New Guinea   6.4   5.1
## 42                          Samoa   8.9   3.2
## 43                Solomon Islands     5     4
## 44                          Tonga   7.6   4.2
## 45                         Tuvalu   3.8   3.3
## 46                        Vanuatu   4.8   3.2

Dữ liệu d1 được trích ra với 46 quan sát và 3 biến với các biến Năm,x2022 và x2023

Sử dụng hàm ‘mutate’ để tạo ra biến mới PL (Phân loại) theo điều kiện của x2020. Kết quả sẽ trả về là “T” nghĩa “Tự nhiên” hoặc “P” :“Phi mã” nếu điều kiện nhỏ hơn hoặc bằng 10 hoặc lớn hơn 10

Dùng hàm ‘ifelse’ để lựa chọn phần tử có điều kiện của x2020

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, union
d <- d %>% mutate(PL = ifelse(x2020 < 10,'T','P'))
d
##                               Năm x2017 x2018 x2019 x2020 x2021 x2022 x2023 PL
## 1                         Armenia   1.0   2.5  1.40   1.2   7.2     9   7.5  T
## 2                      Azerbaijan  12.9   2.3  2.60   2.8   6.7     7   5.3  T
## 3                         Georgia   6.0   2.6  4.90   5.2   9.6     7     4  T
## 4                      Kazakhstan   7.5   6.0  5.28   6.8     8   7.8   6.4  T
## 5                 Kyrgyz Republic   3.2   1.5  1.10   6.3  11.9    15    12  T
## 6                      Tajikistan   6.7   5.4  8.00   9.4     8    15    10  T
## 7                    Turkmenistan   8.0  13.2 13.00  10.0  12.5    13    10  P
## 8                      Uzbekistan  13.7  17.5 14.60  12.9  10.7     9     8  P
## 9                Hong Kong, China   1.5   2.3  2.90   0.3   1.6   2.3     2  T
## 10                       Mongolia   4.3   6.8  7.30   3.7   7.1  12.4   9.3  T
## 11     People's Republic of China   1.6   2.1  2.90   2.5   0.9   2.3     2  T
## 12              Republic of Korea   1.9   1.5  0.40   0.5   2.5   3.2     2  T
## 13                   Taipei,China   0.6   1.3  0.60  -0.2     2   1.9   1.6  T
## 14                    Afghanistan   5.0   0.6  2.30   5.6   5.2     …     …  T
## 15                     Bangladesh   5.4   5.8  5.50   5.7   5.6     6   5.9  T
## 16                         Bhutan   5.0   2.6  2.80   5.6   7.4     7   5.5  T
## 17                          India   3.6   3.4  4.80   6.2   5.4   5.8     5  T
## 18                       Maldives   2.8  -0.1  0.20  -1.4   0.5     3   2.5  T
## 19                          Nepal   4.5   4.2  4.60   6.2   3.6   6.5   6.2  T
## 20                       Pakistan   4.8   4.7  6.80  10.7   8.9    11   8.5  P
## 21                      Sri Lanka   6.6   4.3  4.30   4.6     6  13.3   6.7  T
## 22              Brunei Darussalam  -1.3   1.0 -0.40   1.9   1.7   1.6     1  T
## 23                       Cambodia   2.9   2.5  1.90   2.9   2.9   4.7   2.2  T
## 24                      Indonesia   3.8   3.2  3.80   2.0   1.6   3.6     3  T
## 25         Lao People’s Dem. Rep.   0.8   2.0  3.30   5.1   3.7   5.8     5  T
## 26                       Malaysia   3.8   1.0  0.70  -1.1   2.5     3   2.5  T
## 27                        Myanmar   4.0   5.9  8.60   5.7   3.6     8   8.5  T
## 28                    Philippines   2.9   5.2  2.40   2.4   3.9   4.2   3.5  T
## 29                      Singapore   0.6   0.4  0.60  -0.2   2.3     3   2.3  T
## 30                       Thailand   0.7   1.1  0.70  -0.8   1.2   3.3   2.2  T
## 31                    Timor-Leste   0.6   2.4  1.00   0.5   3.8   2.6   2.7  T
## 32                       Viet Nam   3.5   3.5  2.80   3.2   1.8   3.8     4  T
## 33                   Cook Islands  -0.4   0.1  0.00   0.7   2.2   4.3     4  T
## 34 Federated States of Micronesia   0.7   1.7 -2.60  -2.9     2   4.6     2  T
## 35                           Fiji   3.3   4.1  1.80  -2.6   0.2   4.5     4  T
## 36                       Kiribati   0.3   0.6 -1.80   2.3     1     5   3.7  T
## 37               Marshall Islands   0.0   0.8  0.10  -0.8     1   4.1     4  T
## 38                          Nauru   5.1   0.5  4.30   0.9   1.2   2.3   2.2  T
## 39                           Niue   5.0  10.1  1.90   2.7   ...   ...   ...  T
## 40                          Palau   0.9   2.0  0.60   0.7   0.5   4.3   4.2  T
## 41               Papua New Guinea   5.4   4.7  3.60   4.9   4.5   6.4   5.1  T
## 42                          Samoa   1.3   3.7  2.20   1.5    -3   8.9   3.2  T
## 43                Solomon Islands   0.5   3.5  1.60   3.0  -0.2     5     4  T
## 44                          Tonga   9.4  -3.8  4.00   0.2   1.4   7.6   4.2  T
## 45                         Tuvalu   4.1   2.2  3.50   1.6   6.7   3.8   3.3  T
## 46                        Vanuatu   3.1   2.3  2.80   5.3   2.1   4.8   3.2  T
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