Sơ lược về bộ dữ liệu diamonds


Bộ dữ liệu “diamonds” là một bộ dữ liệu phổ biến trong lĩnh vực phân tích dữ liệu và học máy. Dữ liệu này chứa thông tin về các viên kim cương được bán trên thị trường và được sử dụng rộng rãi để thực hiện các phân tích, mô hình hóa và trực quan hóa dữ liệu.Lúc này ta gán d là bộ dữ liệu diamonds để thao tác linh hoạt hơn.

library(tidyverse)
library(ggplot2)
d <- diamonds
library(skimr)
skim(d)
Data summary
Name d
Number of rows 53940
Number of columns 10
_______________________
Column type frequency:
factor 3
numeric 7
________________________
Group variables None

Variable type: factor

skim_variable n_missing complete_rate ordered n_unique top_counts
cut 0 1 TRUE 5 Ide: 21551, Pre: 13791, Ver: 12082, Goo: 4906
color 0 1 TRUE 7 G: 11292, E: 9797, F: 9542, H: 8304
clarity 0 1 TRUE 8 SI1: 13065, VS2: 12258, SI2: 9194, VS1: 8171

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
carat 0 1 0.80 0.47 0.2 0.40 0.70 1.04 5.01 ▇▂▁▁▁
depth 0 1 61.75 1.43 43.0 61.00 61.80 62.50 79.00 ▁▁▇▁▁
table 0 1 57.46 2.23 43.0 56.00 57.00 59.00 95.00 ▁▇▁▁▁
price 0 1 3932.80 3989.44 326.0 950.00 2401.00 5324.25 18823.00 ▇▂▁▁▁
x 0 1 5.73 1.12 0.0 4.71 5.70 6.54 10.74 ▁▁▇▃▁
y 0 1 5.73 1.14 0.0 4.72 5.71 6.54 58.90 ▇▁▁▁▁
z 0 1 3.54 0.71 0.0 2.91 3.53 4.04 31.80 ▇▁▁▁▁


Kích thước: Bộ dữ liệu “diamonds” chứa 53940 hàng và 10 cột.

dim(d)
## [1] 53940    10


Bộ dữ liệu bao gồm các thuộc tính sau:

  • Carat: Trọng lượng của viên kim cương.
  • Cut: Đánh giá cắt mặt của viên kim cương.
  • Color: Màu sắc của viên kim cương.
  • Clarity: Độ trong suốt của viên kim cương.
  • Depth: Độ sâu của viên kim cương.
  • Table: Bề mặt trên của viên kim cương.
  • Price: Giá trị của viên kim cương.
  • X: Chiều dài của viên kim cương.
  • Y: Chiều rộng của viên kim cương.
  • Z: Chiều sâu của viên kim cương.
  • str(d)
    ## tibble [53,940 × 10] (S3: tbl_df/tbl/data.frame)
    ##  $ carat  : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
    ##  $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
    ##  $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
    ##  $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
    ##  $ depth  : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
    ##  $ table  : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
    ##  $ price  : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
    ##  $ x      : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
    ##  $ y      : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
    ##  $ z      : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...


    Mục tiêu: Mục tiêu của bộ dữ liệu “diamonds” thường là dự đoán giá trị của viên kim cương dựa trên các thuộc tính khác nhau.
    Ứng dụng: Bộ dữ liệu “diamonds” được sử dụng trong nhiều ứng dụng, bao gồm phân tích đặc trưng của các thuộc tính kim cương, mô hình hóa giá trị kim cương, tìm hiểu mối quan hệ giữa các thuộc tính và trực quan hóa dữ liệu.
    Gói dữ liệu: Bộ dữ liệu “diamonds” là một phần của gói ggplot2 trong ngôn ngữ lập trình R.

    BIểu đồ


    ## Cắt mặt Biến “cut” là một biến phân loại (categorical) trong bộ dữ liệu “diamonds” và được sử dụng để đánh giá mức độ chất lượng của cắt mặt của các viên kim cương.


    Biến này có 5 mức đánh giá khác nhau, được mô tả như sau:
  • Fair: Đánh giá cắt mặt “Fair” tương đối thô, có thể có sự không đều và không đáp ứng được tiêu chuẩn cao về cắt mặt.
  • Good: Đánh giá cắt mặt “Good” đáng tin cậy, nhưng thường không có sự lấp lánh và hoàn thiện cao như những mức cao hơn.
  • Very Good: Đánh giá cắt mặt “Very Good” tốt, với sự lấp lánh và hoàn thiện đáng kể, nhưng chưa đạt tới mức cao nhất.
  • Premium: Đánh giá cắt mặt “Premium” cao cấp, với sự lấp lánh, hoàn thiện và độ chính xác cao.
  • Ideal: Đánh giá cắt mặt “Ideal” là mức cao nhất trong các đánh giá. Cắt mặt “Ideal” được đánh giá là có sự lấp lánh, hoàn thiện và đáp ứng tốt nhất các tiêu chuẩn.

  • Phân loại
    Theo tiêu chí ta thấy kim cương được chia thành 5 nhóm đã nêu trên , và mỗi loại bao gồm :

    table(d$cut)
    ## 
    ##      Fair      Good Very Good   Premium     Ideal 
    ##      1610      4906     12082     13791     21551
  • Fair: 1610 viên
  • Good: 4906 viên
  • Very Good: 12082 viên
  • Premium: 13791 viên
  • Ideal: 21551 viên
  • Ta bắt đầu vẽ biểu đồ
    Trong quát trình vẽ biểu đồ biến table và depth được bao gồm.

    1.Biểu đồ cột cho biến “cut”:


    d %>% group_by(cut) %>% summarise(n = n()) %>% 
      ggplot(aes(cut,n)) + 
      geom_col(fill='dark blue') +
        labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO CUT ") +
        geom_text(aes(label = n),vjust = 2, color = 'white') +
        labs(x = 'Thang đo Cut', y = 'Số lượng')

    Nhận xét
  • Có sự chênh lệch khá lớn giữa chất lượng của các viên kim cương
  • Ideal: có số lượng nhiều nhất 21551 viên gần bằng 50% sô viên kim cương . Chứng minh được rằng viên kim cương được chế tác cực tinh xảo.
  • Premium : 13791 viên ít hơn khá nhiều so với các viên Ideal chiếm 1/5 trên 53940 viên kim cương được phân tích
  • Very Good : tương đồng gần bằng viên Premium có 12082 viên , có khoảng cách chênh lệch không quá lớn.
  • Good: chỉ có 4906 viên , được đánh giá có số lượng khá ít và chế tác không quá tinh xảo ít hơn viên Ideal 4 lần.
  • Fair: Sở hữu thấp nhất chỉ 1610 viên , ít hơn nhiều so với viên Good 4 lần.
  • 2. Biểu đồ phần trăm tổng số thay cho số lượng


    library(ggplot2)
    library(dplyr)
    library(scales)
    library(tidyverse)
    d %>% group_by(cut) %>% summarise(n = n()) %>%
      ggplot(aes(cut,n)) +
        geom_col(fill='dark blue') +
        labs(title = "Biểu đồ thể hiện % thang đo Cut ") +
        theme_classic() +
        geom_text(aes(label = percent(n/length(d$cut))),vjust = 2, color = 'white') +
        labs(x = 'Thang đo Cut', y = 'Số lượng')

    NHận xét
  • Tương tự như biểu đồ trên ta thấy được rằng các viên kim cương là Fair, Good, Very Good, Premium, Ideal lần lượt là 3%, 9.1%, 22.4%, 25.6%, 40%.
  • Khi sử dụng số liệu phần trăm ta hình dung rõ hơn về số lượng mà tường loại chiếm.
  • 3.Biểu đồ của color

    d %>% group_by(color) %>% summarise(n = n()) %>% 
      ggplot(aes(color,n)) + 
      geom_col(fill='dark blue') +
        labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO COLOR ") +
        geom_text(aes(label = n),vjust = 2, color = 'white') +
        labs(x = 'Thang đo COLOR', y = 'Số lượng')

    Nhận xét
  • Có 7 cột tương ứng với 7 màu D, E, F, G, H, I, J
  • Màu G được ưa chuộng nhiều nhất với 11292 viên gấp 6 lần màu J chỉ có 2808 viên xếp vị trí thấp nhất.
  • Màu E và F lần lượt là 9797 viên và 9543 xếp thứ 2 và 3 chỉ chênh nhau hoen 200 viên.
  • Màu H chiến vị trí thứ 4 với 83904 viên và màu D là 6775 viên nhiều hơn màu I chỉ có 5422 viên.

  • 4.Biểu đồ % của color

    d %>% group_by(color) %>% summarise(n = n()) %>%
      ggplot(aes(color,n)) +
        geom_col(fill='dark blue') +
        labs(title = "Biểu đồ thể hiện % thang đo Color ") +
        theme_classic() +
        geom_text(aes(label = percent(n/length(d$color))),vjust = 2, color = 'white') +
        labs(x = 'Thang đo Color', y = 'Số lượng')

    Nhận xét
  • TƯơng tự như trên khi chuyển số liệu qua % ta dễ dàng hình dung về số lương mà màu kim cương đó chiếm
  • Chiếm nhiều nhất là màu G 20.93% chiếm 1/5 tổng số và giảm dần theo thứ tự là màu E 18.6%, màu F 17.69%, màu H 15.39%, màu D 12.56%, màu I 10.05% và thấp nhất là màu J chiếm 5.21%.
  • 5.Biểu đồ thể hiện nhóm theo clarity

    d %>% group_by(clarity) %>% summarise(n = n()) %>% 
      ggplot(aes(clarity,n)) + 
      geom_col(fill='dark blue') +
        labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO CLARITY") +
        geom_text(aes(label = n),vjust = 2, color = 'white') +
        labs(x = 'Thang đo CLARITY', y = 'Số lượng')

    Dữ liệu về clarity của diamonds thường được mô tả bằng một hệ thống gồm một số hạng clarity từ FL (Flawless) đến I3 (Included 3), trong đó FL đại diện cho đá không có khuyết điểm và I3 đại diện cho đá có nhiều khuyết điểm.sử dụng các giá trị từ 0 đến 7 để biểu thị các mức clarity từ FL đến I3.
  • IF (Internally Flawless): 1 có 1790 viên
  • VVS1 (Very, Very Slightly Included 1): 2 có 3655 viên
  • VVS2 (Very, Very Slightly Included 2): 3 có 5066 viên
  • VS1 (Very Slightly Included 1): 4 có 8171 viên
  • VS2 (Very Slightly Included 2): 5 có 12258 viên
  • SI1 (Slightly Included 1): 6 có 13065 viên
  • SI2 (Slightly Included 2): 7 có 9194 viên
  • I1 (Included 1): 8 có 741 viên
  • 6. BIểu đò thể hiện % của Clarity

    d %>% group_by(clarity) %>% summarise(n = n()) %>%
      ggplot(aes(clarity,n)) +
        geom_col(fill='dark blue') +
        labs(title = "Biểu đồ thể hiện % thang đo Clarity ") +
        theme_classic() +
        geom_text(aes(label = percent(n/length(d$clarity))),vjust = 2, color = 'white') +
        labs(x = 'Thang đo Clarity', y = 'Số lượng')

    Nhận xét
    TƯơng tự như biểu đồ 6 t chuyển số liệu giá trị số sang phần trăm mà không thay đổi thứ tự sở hữu số viên.
    Trong đó được ưa chuộng nhiều nhất là SI1 chiếm 24.2% tiếp đến là VS2 chiếm 22.7% và vị trí cuối cùng 1.4% của I1.

    7.Biểu đồ thể hiện mức độ giác cắt màu E và J

    d1<- diamonds %>%
      group_by(cut, color) %>%
      summarise(n = n()) %>%
      mutate(color = factor(color, levels = c("E", "J")))
    d1 %>%
      ggplot(aes(x = cut, y = n, fill = color)) + 
      geom_col(position = position_dodge()) + 
      labs(x = "Các mức độ Giác cắt", y = "Số lượng") +
      labs(caption = "Biểu đồ thể hiện mức độ giác cắt")

    Nhận xét
    Bằng biểu đồ trên ta thấy rằng tần suất xuất hiện của 5 loại giác cắt thực hiên trên hai màu E và J.
    Nhìn chung màu E được ưa chuộng nhiều hơn rất nhiều so với màu J.

    8.Biểu đồ thể hiện nhóm theo Carat

    library(dplyr)
    d <- diamonds
    dcarat <- d %>% mutate(carat = cut(carat,5, label = c('too light', 'light','Fine','Heavy','Extreme Heavy')))
    dcarat %>% group_by(carat) %>% summarise(n = n()) %>%
      ggplot(aes(carat,n)) +
        geom_col(fill='dark blue') +
        labs(title = " Biểu đồ thể hiện nhóm theo Carat ") +
        geom_text(aes(label = n),vjust = 0, color = 'brown') +
        labs(x = 'Trọng Lượng', y = 'Số lượng')
    Nhận xét
    Biến “carat” trong dữ liệu diamonds đại diện cho trọng lượng của mỗi viên kim cương. Carat là một đơn vị đo lường đặc biệt dành riêng cho kim cương và các đá quý khác, tương ứng với 0,2 gram.
    Thông thường, carat được sử dụng để đo lường kích thước và trọng lượng của kim cương. Điểm quan trọng cần lưu ý là carat không chỉ định đến giá trị tinh khiết, mà chỉ tập trung vào trọng lượng của viên kim cương.
    Trong dữ liệu diamonds, biến carat có thể có giá trị từ 0,2 đến khoảng 5 carat hoặc hơn. Thông thường, kim cương có carat càng cao thì giá trị của nó cũng tăng lên. Tuy nhiên, giá trị của một viên kim cương không chỉ phụ thuộc vào carat mà còn phụ thuộc vào các yếu tố khác như màu sắc, độ trong suốt, mức độ giác cắt và loại đá.
    Được chia thành 5 loại theo ý cá nhân :
  • too light : rất nhẹ có 43781 viên
  • light : nhẹ có 9478 viên
  • fine : ổn có 667 viên
  • heavy : Nặng có 11 viên
  • extreme heavy : rất nặng có 3 viên

  • Gần như các viên kim cương có trọng lượng rất nhẹ áp đảo các viên có trọng lượng khác

    9.Biểu đồ thể hiện % thang đo Carat

    dcarat <- d %>% mutate(carat = cut(carat,5, label = c('too light', 'light','Fine','Heavy','Extreme Heavy')))
    dcarat %>% group_by(carat) %>% summarise(n = n()) %>%
      ggplot(aes(carat,n)) +
        geom_col(fill='dark blue') +
        labs(title = " Biểu đồ thể hiện % thang đo Carat ") +
        theme_classic() +
        geom_text(aes(label = percent(n/length(d$carat))),vjust = 0, color = 'brown') +
        labs(x = 'Trọng Lượng', y = 'Số lượng')

    Nhận xét
    Tương như bản đồ trên khi chuyển giá trị số của trọng lượng thành % ta được too light là đặc tính nhiều viên kim cương sở hữ nhiều nhất với 81.166 % , gấp 4,7 lần light chỉ 17.571%. Bên cạnh đó các viên có trọng lượng laFien chỉ chiếm khoảng 1.237% trong khi Heavy là 0.02% gấp hơn ba lần Extreme heavy 0.006%.

    10.Biểu đồ thể hiện theo table


    d5 <- diamonds
    d5$table <- ifelse(d5$table >= 57 & d5$table <= 84, 'Đạt', 'Không')
    
    d5 %>% group_by(table) %>% summarise(n = n()) %>%
      ggplot(aes(table,n)) +
        geom_col(fill='dark blue') +
        labs(title = " Biểu đồ thể hiện theo Table ") +
        geom_text(aes(label = n),vjust = 0, color = 'brown') +
        labs(x = 'Độ đạt theo Bề mặt', y = 'Số lượng')
    Biến “table” trong dữ liệu diamonds đại diện cho tỷ lệ của mặt bàn (table) của một viên kim cương. Mặt bàn là mặt phẳng lớn nhất của kim cương, nằm ở phía trên của viên kim cương khi nó được đặt trên mặt phẳng.
    Giá trị của biến table được tính bằng phần trăm, thể hiện tỷ lệ giữa chiều rộng của mặt bàn và đường kính của kim cương. Trong dữ liệu diamonds, giá trị của biến table có thể dao động từ khoảng 43% đến 95% hoặc cao hơn.
    Tỷ lệ table là một trong những yếu tố quan trọng ảnh hưởng đến vẻ đẹp và chất lượng của một viên kim cương. Một tỷ lệ table thích hợp có thể tạo ra sự cân đối và lấp lánh tốt trong kim cương. Tuy nhiên, tỷ lệ table quá cao hoặc quá thấp có thể ảnh hưởng đến sự phản chiếu ánh sáng và sự lấp lánh của kim cương.
    Nhận xét
    Lúc này ta chia table thành hai loại ĐẠT và KHÔNG
  • Đạt : từ 57% đến 84% có 33932 viên
  • Không : các trường hợp còn lại là 20008 viên
  • 11.Biểu đồ thể hiện độ đạt theo bề mặt của 7 nhóm màu

    d5 %>% group_by(table,color) %>% summarise(n=n()) %>%
      ggplot(aes(x = table,y = n)) +
        geom_col(position = 'dodge') +
        facet_wrap(~color) +
        geom_text(aes(label = n),vjust = 0, color = 'dark blue') +
        labs(x = 'Độ đạt theo Bề mặt', y = 'Số lượng')

    Nhận xét
  • màu D : có 4148 viên đạt gấp 4 lần viên không đạt
  • màu E : có 6163 viên đạt gấp gần 2 lần vien không đạt
  • màu F : có 5927 viên đạt và 3625 viên không đạt
  • mÀU G : có 6765 viên đạt và 4498 viên không đạt
  • màu H : có 5367 viên đạt gần gấp đôi viên không đạt
  • màu I : có 3569 viên đạt gấp đôi viên không đạt
  • màu J : có 1974 viên đạt hơn gấp 3 lần viên không đạt
  • 12. BIểu đồ thể hiện nhóm theo giá thành

    dprice <-d %>% mutate(price = cut(price,4, label = c('Cheap', 'Affordable','Ex','too EX')))
    dprice %>% group_by(price) %>% summarise(n = n()) %>%
      ggplot(aes(price,n)) +
        geom_col(fill='dark blue') +
        labs(title = " Biểu đồ thể hiện giá thành ") +
        geom_text(aes(label = n),vjust = 0, color = 'brown') +
        labs(x = 'price', y = 'Số lượng')
    Nhận xét
    Biến “price” trong dữ liệu diamonds đại diện cho giá trị của mỗi viên kim cương. Đây là một biến liên tục, thể hiện giá trị tiền tệ của kim cương.
    Trong dữ liệu diamonds, giá trị của biến price được tính bằng đơn vị tiền tệ USD (đô la Mỹ).
    Biến price trong dữ liệu diamonds có phạm vi giá trị rất đa dạng từ khoảng 326 đô la Mỹ đến hơn 18.000 đô la Mỹ. Giá trị cao hơn thường liên quan đến những viên kim cương lớn, có chất lượng cao và các yếu tố khác tốt.
    Lúc này ta chia giá thành thành 5 phân khúc Cheap(rẻ), Affordable(mua được), EX(đắt), too EX(quá đắt đỏ) để dễ thao tác.
    NHẬN THẤY:
  • Cheap : là phân khúc giá được người mua nhiều nhất với 39013 viên
  • Affordable: tu nhiên có sự chêp lệch lớn đối với phân khúc giá rẻ hơn là cheap chỉ có 9285 viên.
  • Ex : chỉ bằng 1/3 viên kim cương của Affordable là 3574 viên , có thể hiểu được giá thành của nó đã hạn chế phạm vi tiêu dùng.
  • too EX : chỉ 2068 viên, sự đắt đỏ của nó chỉ có thể đáp ừng bằng những người có thu nhập cao trong xã hội.
  • 13.

    dprice <-d %>% mutate(price = cut(price,4, label = c('Cheap', 'Affortable','Ex','too EX')))
    dprice %>% group_by(price) %>% summarise(n = n()) %>%
      ggplot(aes(x = price,y = mean(price))) +
        geom_col(position = 'dodge') +
        geom_text(aes(label = round(mean(price),4)), vjust = 2, color = 'dark blue') +
        labs(x = 'Price', y = 'Mean')

    ## 14. Biểu đồ histogram của hai màu G và J trong giá thành

    d11 <- diamonds
    d11 %>% ggplot(aes(x = price)) +
      geom_histogram(data = d11 %>% filter(color == 'G'), binwidth = 500, fill = 'dark blue') +
      geom_histogram(data = d11 %>% filter(color == 'J'), binwidth = 500, fill = 'green')


    Nhận xét
    Trong phân khúc giá thành từ 0-5000 USD số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2600 viên và màu J là gần 350 viên.

    15.Biểu đồ histogram của hai màu G và J trong carat

    d12 <- diamonds
    d12 %>% ggplot(aes(x = carat)) +
      geom_histogram(data = d11 %>% filter(color == 'G'), binwidth = 0.1, fill = 'dark blue') +
      geom_histogram(data = d11 %>% filter(color == 'J'), binwidth = 0.1, fill = 'green')


    Nhận xét
    Trong phân khúc trọng lượng từ 0-1.4 gam số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2400 viên và màu J là gần 260 viên.

    16.Biểu đồ histogram của hai màu G và J trong depth

    d13 <- diamonds
    d13 %>% ggplot(aes(x = depth)) +
      geom_histogram(data = d13 %>% filter(color == 'G'), binwidth = 0.5, fill = 'dark blue') +
      geom_histogram(data = d13 %>% filter(color == 'J'), binwidth = 0.5, fill = 'green')


    Nhận xét
    Trong phân khúc độ sâu từ 55-65% số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2550 viên và màu J là gần 510 viên.

    17. Biểu đồ histogram và tần sô giá thành của từng màu

    d14 <- diamonds
    d14 %>% ggplot(aes(x = price)) +
      geom_histogram(binwidth = 1000, fill = 'darkblue', color = 'yellow') +
      facet_wrap(~color)
    Nhận xét
  • màu D: với giá thành 1000 USD được mua 2600 lần là nhiểu nhất
  • màu E: với giá thành 1000 USD được mua nhiều nhất với hơn 4000 lần
  • màu F: với giá thành 1000 USD được mua nhiều nhất với gần 3500 lần
  • màu G: với giá thành 1000 USD được mua nhiều nhất với hơn 4000 lần
  • màu H: với giá thành 1000 USD được mua nhiều nhất với gần 2500 lần
  • màu I: với giá thành 1000 USD được mua nhiều nhất với gần 1500 lần
  • màu J: với giá thành 1000 USD được mua nhiều nhất với gần 400 lần
  • 18. Biểu đồ Histogram tương quan giữa số lượng và các màu

    d17 <- diamonds
    d17 %>% ggplot(aes(x = price, fill = color)) +
      geom_histogram(binwidth = 1000)


    Nhận xét
    Trong phân khúc 1000 USD số lượng viên kim cương của các màu chiếm rấ nhiều , đi đầu là màu E và ít nhất là J và phân khúc giá càng tăng càng kén người mua.

    19.Biểu đồ Histogram tương quan giữa số lượng và trọng lượng

    d19 <- diamonds
    d19 %>% ggplot(aes(x = carat, fill = color)) +
      geom_histogram(binwidth = 0.5)


    Nhận xét
    Trong phân khúc trong lượng 0.25g số lượng viên kim cương của các màu chiếm rấ nhiều , đi đầu là màu F và ít nhất là J và trọng lượng càng nặng viên kim cương càng hiếm.

    20.Biểu đồ tương quan giữa carat và color

    d20 <- d
    d20 %>% group_by(carat,color) %>% summarise(n=n()) %>%
      ggplot(aes(x = carat,y = n)) +
        geom_col(position = 'dodge') +
        facet_wrap(~color) +
        labs(x = 'Loại', y = 'Số lượng')

    ## 21. Biểu đồ tương quan giữa price và cut

    d21 <- d
    d21 %>% group_by(price,cut) %>% summarise(n=n()) %>%
      ggplot(aes(x = price,y = n)) +
        geom_col(position = 'dodge') +
        facet_wrap(~cut) +
        labs(x = 'Loại', y = 'Số lượng')

    ## 22.Biểu đồ tương quan giữa cut and count theo tường nhóm màu

    d22 <- diamonds
    d22 %>% group_by(cut,color) %>% summarise(m = mean(price)) %>%
      ggplot(aes(x = cut,y = m)) +
        geom_col(position = 'dodge') +
        facet_wrap(~color) +
        geom_text(aes(label = round(m))) +
        labs(x = 'cut', y = 'Số lượng')

    Nhận xét
  • màu D : loại Fair chiếm nhiều nhất với 4291 viên và thấp nhất là Ideal với 2629 viên
  • màu E : loại Fair chiếm nhiều nhất với 3682 viên và thấp nhất là Ideal với 2598 viên
  • màu F : loại Premium chiếm nhiều nhất với 4325 viên và thấp nhất là Ideal với 3375 viên
  • màu G : loại Premium chiếm nhiều nhất với 4501 viên và thấp nhất là Ideal với 3721 viên
  • màu H : loại Premium chiếm nhiều nhất với 5217 viên và thấp nhất là Ideal với 3889 viên
  • màu I : loại Premium chiếm nhiều nhất với 5946 viên và thấp nhất là Ideal với 4452 viên
  • màu J : loại Premium chiếm nhiều nhất với 6295 viên và thấp nhất là Ideal với 4918 viên
  • 23. Biểu đồ trồng giữa cut và color

    d23 <- diamonds
    d23 <- d23 %>% group_by(cut, color) %>% summarise(n = n())
    d23 %>% ggplot(aes(x = cut, y = n)) +
      geom_col(data = d23 %>% filter(color == 'H'), fill = 'orange') +
      geom_col(data = d23 %>% filter(color == 'J'), fill = 'darkblue')

    labs(x = 'Mặt cắt', y = 'Số lượng')
    ## $x
    ## [1] "Mặt cắt"
    ## 
    ## $y
    ## [1] "Số lượng"
    ## 
    ## attr(,"class")
    ## [1] "labels"


    Nhận xét
    Nhìn chung các viên kim cương màu H chiếm nhiều hơn màu J so trên từng loại.

    24.Biểu dồ tương quan giữa table và cut

    d25 <- d %>%
      group_by(table, cut) %>%
      summarise(n = n()) %>%
      mutate(color = factor(cut, levels = c("Fair", "GOOD", "Premium", "Ideal")))
    d25 %>%
      ggplot(aes(x = table, y = n, fill = cut)) + 
      geom_col(position = position_dodge()) + 
      labs(x = "Độ đạt mặt cắt", y = "Số lượng") +
      labs(caption = "Biểu đồ thể hiện từng mặt cắt")


    Nhận xét
    Nhìn chung các viên kim cương Ideal có độ sâu khoảng 57% chiếm nhiều nhất trong khi màu Fair chiếm ít nhất.

    25.Biểu đồ barplot của giá trị trung bình theo clarity

    ggplot(diamonds, aes(x = clarity, y = price)) + geom_bar(stat = "summary", fun = "mean")

    26.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền và màu sắc khác nhau

    ggplot(diamonds, aes(x = carat, fill = cut, color = cut)) + geom_histogram()

    27.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền và màu sắc dựa trên clarity và màu sắc

    ggplot(diamonds, aes(x = carat, fill = cut, color = clarity, alpha = color)) + geom_histogram()

    ## 29.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền dựa trên clarity

    ggplot(diamonds, aes(x = carat, color = clarity)) + geom_histogram()

    30.Biểu đồ cột thể hiện tổng giá trị (price) theo màu (color) và mức độ cắt (cut)

    ggplot(diamonds, aes(x = color, y = price, fill = cut)) +
      geom_col(position = "dodge") +
      labs(title = "Total Price by Color and Cut", x = "Color", y = "Price", fill = "Cut")

    31.Biểu đồ cột thể hiện trung bình giá trị (price) theo mức độ cắt (cut) và độ trong suốt (clarity)

    ggplot(diamonds, aes(x = cut, y = price, fill = clarity)) +
      stat_summary(fun = "mean", geom = "col", position = "dodge") +
      labs(title = "Average Price by Cut and Clarity", x = "Cut", y = "Price", fill = "Clarity")

    32.Biểu đồ cột thể hiện tổng trọng lượng (carat) theo mức độ cắt (cut) và độ trong suốt (clarity)

    ggplot(diamonds, aes(x = cut, y = carat, fill = clarity)) +
      geom_col(position = "dodge") +
      labs(title = "Total Carat by Cut and Clarity", x = "Cut", y = "Carat", fill = "Clarity")

    ---
title: "nv4"
author: "NNTUANH"
date: "`r format(Sys.time(), '%H:%M:%S, %d - %m - %Y')`"
output: 
 html_document: 
   code_download: true
   code_folding: hide
   toc_float: true
   toc: true
---

```{r setup,include=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE)
```
# **Sơ lược về bộ dữ liệu diamonds**
<br>
Bộ dữ liệu "diamonds" là một bộ dữ liệu phổ biến trong lĩnh vực phân tích dữ liệu và học máy. Dữ liệu này chứa thông tin về các viên kim cương được bán trên thị trường và được sử dụng rộng rãi để thực hiện các phân tích, mô hình hóa và trực quan hóa dữ liệu.Lúc này ta gán d là bộ dữ liệu diamonds để thao tác linh hoạt hơn.
```{r}
library(tidyverse)
library(ggplot2)
d <- diamonds
library(skimr)
skim(d)
```
<br>

*Kích thước*: Bộ dữ liệu "diamonds" chứa 53940 hàng và 10 cột.
```{r}
dim(d)
```

 <br>
 *Bộ dữ liệu bao gồm các thuộc tính sau*:

<li>Carat: Trọng lượng của viên kim cương.</li>
<li>Cut: Đánh giá cắt mặt của viên kim cương.</li>
<li>Color: Màu sắc của viên kim cương.</li>
<li>Clarity: Độ trong suốt của viên kim cương.</li>
<li>Depth: Độ sâu của viên kim cương.</li>
<li>Table: Bề mặt trên của viên kim cương.</li>
<li>Price: Giá trị của viên kim cương.</li>
<li>X: Chiều dài của viên kim cương.</li>
<li>Y: Chiều rộng của viên kim cương.</li>
<li>Z: Chiều sâu của viên kim cương.</li>
```{r}
str(d)
```

<br>
*Mục tiêu*: Mục tiêu của bộ dữ liệu "diamonds" thường là dự đoán giá trị của viên kim cương dựa trên các thuộc tính khác nhau.
<br>
*Ứng dụng*: Bộ dữ liệu "diamonds" được sử dụng trong nhiều ứng dụng, bao gồm phân tích đặc trưng của các thuộc tính kim cương, mô hình hóa giá trị kim cương, tìm hiểu mối quan hệ giữa các thuộc tính và trực quan hóa dữ liệu.
<br>
*Gói dữ liệu*: Bộ dữ liệu "diamonds" là một phần của gói ggplot2 trong ngôn ngữ lập trình R. 

# **BIểu đồ**
<br>
## **Cắt mặt**
Biến "cut" là một biến phân loại (categorical) trong bộ dữ liệu "diamonds" và được sử dụng để đánh giá mức độ chất lượng của cắt mặt của các viên kim cương.
<br>

<br>
Biến này có 5 mức đánh giá khác nhau, được mô tả như sau:
<br>
<li>Fair: Đánh giá cắt mặt "Fair" tương đối thô, có thể có sự không đều và không đáp ứng được tiêu chuẩn cao về cắt mặt.</li>
<li>Good: Đánh giá cắt mặt "Good" đáng tin cậy, nhưng thường không có sự lấp lánh và hoàn thiện cao như những mức cao hơn.</li>
<li>Very Good: Đánh giá cắt mặt "Very Good" tốt, với sự lấp lánh và hoàn thiện đáng kể, nhưng chưa đạt tới mức cao nhất.</li>
<li>Premium: Đánh giá cắt mặt "Premium" cao cấp, với sự lấp lánh, hoàn thiện và độ chính xác cao.</li>
<li>Ideal: Đánh giá cắt mặt "Ideal" là mức cao nhất trong các đánh giá. Cắt mặt "Ideal" được đánh giá là có sự lấp lánh, hoàn thiện và đáp ứng tốt nhất các tiêu chuẩn.</li>
<br>
**Phân loại**
<br>
Theo tiêu chí ta thấy kim cương được chia thành 5 nhóm đã nêu trên , và mỗi loại bao gồm : 
```{r}
table(d$cut)
```
<li>Fair: 1610 viên</li>
<li>Good: 4906 viên</li>
<li>Very Good: 12082 viên</li>
<li>Premium: 13791 viên</li>
<li>Ideal: 21551 viên</li>

Ta bắt đầu vẽ biểu đồ
<br>
*Trong quát trình vẽ biểu đồ biến table và depth được bao gồm.*


## **1.Biểu đồ cột cho biến "cut":**
<br>
```{r}
d %>% group_by(cut) %>% summarise(n = n()) %>% 
  ggplot(aes(cut,n)) + 
  geom_col(fill='dark blue') +
    labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO CUT ") +
    geom_text(aes(label = n),vjust = 2, color = 'white') +
    labs(x = 'Thang đo Cut', y = 'Số lượng')
```
<br>
***Nhận xét***
<br>
<li>Có sự chênh lệch khá lớn giữa chất lượng của các viên kim cương</li>
<li>**Ideal**: có số lượng nhiều nhất 21551 viên gần bằng 50% sô viên kim cương . Chứng minh được rằng viên kim cương được chế tác cực tinh xảo.</li>
<li>**Premium** : 13791 viên ít hơn khá nhiều so với các viên Ideal chiếm 1/5 trên 53940 viên kim cương được phân tích</li>
<li>**Very Good** : tương đồng gần bằng viên Premium có 12082 viên , có khoảng cách chênh lệch không quá lớn.</li>
<li>**Good**: chỉ có 4906 viên , được đánh giá có số lượng khá ít và chế tác không quá tinh xảo ít hơn viên Ideal 4 lần.</li>
<li>**Fair**: Sở hữu thấp nhất chỉ 1610 viên , ít hơn nhiều so với viên Good 4 lần.</li>


## **2. Biểu đồ phần trăm tổng số thay cho số lượng**
<br>
```{r}
library(ggplot2)
library(dplyr)
library(scales)
library(tidyverse)
d %>% group_by(cut) %>% summarise(n = n()) %>%
  ggplot(aes(cut,n)) +
    geom_col(fill='dark blue') +
    labs(title = "Biểu đồ thể hiện % thang đo Cut ") +
    theme_classic() +
    geom_text(aes(label = percent(n/length(d$cut))),vjust = 2, color = 'white') +
    labs(x = 'Thang đo Cut', y = 'Số lượng')
```
<br>
***NHận xét***
<br>
<li> Tương tự như biểu đồ trên ta thấy được rằng các viên kim cương là Fair, Good, Very Good, Premium, Ideal lần lượt là 3%, 9.1%, 22.4%, 25.6%, 40%.</li>
<li> Khi sử dụng số liệu phần trăm ta hình dung rõ hơn về số lượng mà tường loại chiếm.</li>

## **3.Biểu đồ  của color**
```{r}
d %>% group_by(color) %>% summarise(n = n()) %>% 
  ggplot(aes(color,n)) + 
  geom_col(fill='dark blue') +
    labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO COLOR ") +
    geom_text(aes(label = n),vjust = 2, color = 'white') +
    labs(x = 'Thang đo COLOR', y = 'Số lượng')
```
<br>
***Nhận xét***
<li> Có 7 cột tương ứng với 7 màu D, E, F, G, H, I, J</li>
<li> Màu G được ưa chuộng nhiều nhất với 11292 viên gấp 6 lần màu J chỉ có 2808 viên xếp vị trí thấp nhất.</li>
<li> Màu E và F lần lượt là 9797 viên và 9543 xếp thứ 2 và 3 chỉ chênh nhau hoen 200 viên.</li>
<li> Màu H chiến vị trí thứ 4 với 83904 viên và màu D là 6775 viên nhiều hơn màu I chỉ có 5422 viên.

## **4.Biểu đồ % của color**
```{r}
d %>% group_by(color) %>% summarise(n = n()) %>%
  ggplot(aes(color,n)) +
    geom_col(fill='dark blue') +
    labs(title = "Biểu đồ thể hiện % thang đo Color ") +
    theme_classic() +
    geom_text(aes(label = percent(n/length(d$color))),vjust = 2, color = 'white') +
    labs(x = 'Thang đo Color', y = 'Số lượng')
```
<br>
***Nhận xét***
<li> TƯơng tự như trên khi chuyển số liệu qua % ta dễ dàng hình dung về số lương mà màu kim cương đó chiếm</li>
<li> Chiếm nhiều nhất là màu G 20.93% chiếm 1/5 tổng số và giảm dần theo thứ tự là màu E 18.6%, màu F 17.69%, màu H 15.39%, màu D 12.56%, màu I 10.05% và thấp nhất là màu J chiếm 5.21%.</li>

## **5.Biểu đồ thể hiện nhóm theo clarity**
```{r}
d %>% group_by(clarity) %>% summarise(n = n()) %>% 
  ggplot(aes(clarity,n)) + 
  geom_col(fill='dark blue') +
    labs(title = " BIỂU ĐỒ THỂ HIỆN NHÓM THEO CLARITY") +
    geom_text(aes(label = n),vjust = 2, color = 'white') +
    labs(x = 'Thang đo CLARITY', y = 'Số lượng')


```
<br>
*Dữ liệu về clarity của diamonds thường được mô tả bằng một hệ thống gồm một số hạng clarity từ FL (Flawless) đến I3 (Included 3), trong đó FL đại diện cho đá không có khuyết điểm và I3 đại diện cho đá có nhiều khuyết điểm.sử dụng các giá trị từ 0 đến 7 để biểu thị các mức clarity từ FL đến I3.*
<li>IF (Internally Flawless): 1 có 1790 viên</li> 
<li>VVS1 (Very, Very Slightly Included 1): 2 có 3655 viên</li>
<li>VVS2 (Very, Very Slightly Included 2): 3 có 5066 viên</li>
<li>VS1 (Very Slightly Included 1): 4 có 8171 viên</li>
<li>VS2 (Very Slightly Included 2): 5 có 12258 viên</li>
<li>SI1 (Slightly Included 1): 6 có 13065 viên</li>
<li>SI2 (Slightly Included 2): 7 có 9194 viên </li>
<li>I1 (Included 1): 8 có 741 viên</li>

## **6. BIểu đò thể hiện % của Clarity**
```{r}
d %>% group_by(clarity) %>% summarise(n = n()) %>%
  ggplot(aes(clarity,n)) +
    geom_col(fill='dark blue') +
    labs(title = "Biểu đồ thể hiện % thang đo Clarity ") +
    theme_classic() +
    geom_text(aes(label = percent(n/length(d$clarity))),vjust = 2, color = 'white') +
    labs(x = 'Thang đo Clarity', y = 'Số lượng')
```
***Nhận xét***
<br>
TƯơng tự như biểu đồ 6 t chuyển số liệu giá trị số sang phần trăm mà không thay đổi thứ tự sở hữu số viên.
<br>
Trong đó được ưa chuộng nhiều nhất là **SI1** chiếm 24.2% tiếp đến là **VS2** chiếm 22.7% và vị trí cuối cùng 1.4% của **I1**.

## **7.Biểu đồ thể hiện mức độ giác cắt màu E và J**
```{r}
d1<- diamonds %>%
  group_by(cut, color) %>%
  summarise(n = n()) %>%
  mutate(color = factor(color, levels = c("E", "J")))
```

```{r}
d1 %>%
  ggplot(aes(x = cut, y = n, fill = color)) + 
  geom_col(position = position_dodge()) + 
  labs(x = "Các mức độ Giác cắt", y = "Số lượng") +
  labs(caption = "Biểu đồ thể hiện mức độ giác cắt")
```
***Nhận xét***
<br>
Bằng biểu đồ trên ta thấy rằng tần suất xuất hiện của 5 loại giác cắt thực hiên trên hai màu E và J.
<br>
Nhìn chung màu E được ưa chuộng nhiều hơn rất nhiều so với màu J.

## **8.Biểu đồ thể hiện nhóm theo Carat**
```{r}
library(dplyr)
```

```{r}
d <- diamonds
dcarat <- d %>% mutate(carat = cut(carat,5, label = c('too light', 'light','Fine','Heavy','Extreme Heavy')))
dcarat %>% group_by(carat) %>% summarise(n = n()) %>%
  ggplot(aes(carat,n)) +
    geom_col(fill='dark blue') +
    labs(title = " Biểu đồ thể hiện nhóm theo Carat ") +
    geom_text(aes(label = n),vjust = 0, color = 'brown') +
    labs(x = 'Trọng Lượng', y = 'Số lượng')

```
***Nhận xét***
<br>
Biến "carat" trong dữ liệu diamonds đại diện cho trọng lượng của mỗi viên kim cương. Carat là một đơn vị đo lường đặc biệt dành riêng cho kim cương và các đá quý khác, tương ứng với 0,2 gram.
<br>
Thông thường, carat được sử dụng để đo lường kích thước và trọng lượng của kim cương. Điểm quan trọng cần lưu ý là carat không chỉ định đến giá trị tinh khiết, mà chỉ tập trung vào trọng lượng của viên kim cương.
<br>
Trong dữ liệu diamonds, biến carat có thể có giá trị từ 0,2 đến khoảng 5 carat hoặc hơn. Thông thường, kim cương có carat càng cao thì giá trị của nó cũng tăng lên. Tuy nhiên, giá trị của một viên kim cương không chỉ phụ thuộc vào carat mà còn phụ thuộc vào các yếu tố khác như màu sắc, độ trong suốt, mức độ giác cắt và loại đá.
<br>
Được chia thành 5 loại theo ý cá nhân :
<li>too light : rất nhẹ có 43781 viên </li>
<li> light : nhẹ có 9478 viên </li>
<li>fine : ổn có 667 viên </li>
<li>heavy : Nặng có 11 viên </li>
<li>extreme heavy : rất nặng có 3 viên </li>
<br>
*Gần như các viên kim cương có trọng lượng rất nhẹ áp đảo các viên có trọng lượng khác*

## **9.Biểu đồ thể hiện % thang đo Carat**
```{r}
dcarat <- d %>% mutate(carat = cut(carat,5, label = c('too light', 'light','Fine','Heavy','Extreme Heavy')))
dcarat %>% group_by(carat) %>% summarise(n = n()) %>%
  ggplot(aes(carat,n)) +
    geom_col(fill='dark blue') +
    labs(title = " Biểu đồ thể hiện % thang đo Carat ") +
    theme_classic() +
    geom_text(aes(label = percent(n/length(d$carat))),vjust = 0, color = 'brown') +
    labs(x = 'Trọng Lượng', y = 'Số lượng')
```
***Nhận xét***
<br>
Tương như bản đồ trên khi chuyển giá trị số của trọng lượng thành % ta được **too light** là đặc tính nhiều viên kim cương sở hữ nhiều nhất với 81.166 % , gấp 4,7 lần **light** chỉ 17.571%. Bên cạnh đó các viên có trọng lượng laFien chỉ chiếm khoảng 1.237% trong khi **Heavy** là 0.02% gấp hơn ba lần **Extreme heavy** 0.006%.\

## **10.Biểu đồ thể hiện theo table**
<br>
```{r}
d5 <- diamonds
d5$table <- ifelse(d5$table >= 57 & d5$table <= 84, 'Đạt', 'Không')

d5 %>% group_by(table) %>% summarise(n = n()) %>%
  ggplot(aes(table,n)) +
    geom_col(fill='dark blue') +
    labs(title = " Biểu đồ thể hiện theo Table ") +
    geom_text(aes(label = n),vjust = 0, color = 'brown') +
    labs(x = 'Độ đạt theo Bề mặt', y = 'Số lượng')
```
Biến "table" trong dữ liệu diamonds đại diện cho tỷ lệ của mặt bàn (table) của một viên kim cương. Mặt bàn là mặt phẳng lớn nhất của kim cương, nằm ở phía trên của viên kim cương khi nó được đặt trên mặt phẳng.
<br>
Giá trị của biến table được tính bằng phần trăm, thể hiện tỷ lệ giữa chiều rộng của mặt bàn và đường kính của kim cương. Trong dữ liệu diamonds, giá trị của biến table có thể dao động từ khoảng 43% đến 95% hoặc cao hơn.
<br>
Tỷ lệ table là một trong những yếu tố quan trọng ảnh hưởng đến vẻ đẹp và chất lượng của một viên kim cương. Một tỷ lệ table thích hợp có thể tạo ra sự cân đối và lấp lánh tốt trong kim cương. Tuy nhiên, tỷ lệ table quá cao hoặc quá thấp có thể ảnh hưởng đến sự phản chiếu ánh sáng và sự lấp lánh của kim cương.
<br>
***Nhận xét***
<br>
Lúc này ta chia table thành hai loại **ĐẠT** và **KHÔNG**
<br>
<li>**Đạt** : từ 57% đến 84% có 33932 viên</li>
<li>**Không** : các trường hợp còn lại là 20008 viên </li>

## **11.Biểu đồ thể hiện độ đạt theo bề mặt của 7 nhóm màu**

```{r}
d5 %>% group_by(table,color) %>% summarise(n=n()) %>%
  ggplot(aes(x = table,y = n)) +
    geom_col(position = 'dodge') +
    facet_wrap(~color) +
    geom_text(aes(label = n),vjust = 0, color = 'dark blue') +
    labs(x = 'Độ đạt theo Bề mặt', y = 'Số lượng')
```
<br>
***Nhận xét***
<li> màu D : có 4148 viên đạt gấp 4 lần viên không đạt</li>
<li> màu E : có 6163 viên đạt gấp gần 2 lần vien không đạt</li>
<li> màu F : có 5927 viên đạt và 3625 viên không đạt</li>
<li> mÀU G : có 6765 viên đạt và 4498 viên không đạt</li>
<li> màu H : có 5367 viên đạt gần gấp đôi viên không đạt</li>
<li> màu I : có 3569 viên đạt gấp đôi viên không đạt</li>
<li> màu J : có 1974 viên đạt hơn gấp 3 lần viên không đạt</li>

## **12. BIểu đồ thể hiện nhóm theo giá thành**
```{r}
dprice <-d %>% mutate(price = cut(price,4, label = c('Cheap', 'Affordable','Ex','too EX')))
dprice %>% group_by(price) %>% summarise(n = n()) %>%
  ggplot(aes(price,n)) +
    geom_col(fill='dark blue') +
    labs(title = " Biểu đồ thể hiện giá thành ") +
    geom_text(aes(label = n),vjust = 0, color = 'brown') +
    labs(x = 'price', y = 'Số lượng')
```
***Nhận xét***
<br>
Biến "price" trong dữ liệu diamonds đại diện cho giá trị của mỗi viên kim cương. Đây là một biến liên tục, thể hiện giá trị tiền tệ của kim cương.
<br>
Trong dữ liệu diamonds, giá trị của biến price được tính bằng đơn vị tiền tệ USD (đô la Mỹ).
<br>
Biến price trong dữ liệu diamonds có phạm vi giá trị rất đa dạng từ khoảng 326 đô la Mỹ đến hơn 18.000 đô la Mỹ. Giá trị cao hơn thường liên quan đến những viên kim cương lớn, có chất lượng cao và các yếu tố khác tốt.
<br>
Lúc này ta chia giá thành thành 5 phân khúc **Cheap**(rẻ), **Affordable**(mua được), **EX**(đắt), **too EX**(quá đắt đỏ) để dễ thao tác.
<br>
NHẬN THẤY:
<li>Cheap : là phân khúc giá được người mua nhiều nhất với 39013 viên</li>
<li>Affordable: tu nhiên có sự chêp lệch lớn đối với phân khúc giá rẻ hơn là cheap chỉ có 9285 viên.</li>
<li>Ex : chỉ bằng 1/3 viên kim cương của Affordable là 3574 viên , có thể hiểu được giá thành của nó đã hạn chế phạm vi tiêu dùng.</li>
<li>too EX : chỉ 2068 viên, sự đắt đỏ của nó chỉ có thể đáp ừng bằng những người có thu nhập cao trong xã hội.</li>

## **13.**
```{r}
dprice <-d %>% mutate(price = cut(price,4, label = c('Cheap', 'Affortable','Ex','too EX')))
dprice %>% group_by(price) %>% summarise(n = n()) %>%
  ggplot(aes(x = price,y = mean(price))) +
    geom_col(position = 'dodge') +
    geom_text(aes(label = round(mean(price),4)), vjust = 2, color = 'dark blue') +
    labs(x = 'Price', y = 'Mean')
```
## **14. Biểu đồ histogram của hai màu G và J trong giá thành**
```{r}
d11 <- diamonds
d11 %>% ggplot(aes(x = price)) +
  geom_histogram(data = d11 %>% filter(color == 'G'), binwidth = 500, fill = 'dark blue') +
  geom_histogram(data = d11 %>% filter(color == 'J'), binwidth = 500, fill = 'green')
```
<br>
***Nhận xét***
<br>
Trong phân khúc giá thành từ 0-5000 USD số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2600 viên và màu J là gần 350 viên.

## **15.Biểu đồ histogram của hai màu G và J trong carat**
```{r}
d12 <- diamonds
d12 %>% ggplot(aes(x = carat)) +
  geom_histogram(data = d11 %>% filter(color == 'G'), binwidth = 0.1, fill = 'dark blue') +
  geom_histogram(data = d11 %>% filter(color == 'J'), binwidth = 0.1, fill = 'green')
```
<br>
***Nhận xét***
<br>
Trong phân khúc trọng lượng từ 0-1.4 gam số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2400 viên và màu J là gần 260 viên.

## **16.Biểu đồ histogram của hai màu G và J trong depth**
```{r}
d13 <- diamonds
d13 %>% ggplot(aes(x = depth)) +
  geom_histogram(data = d13 %>% filter(color == 'G'), binwidth = 0.5, fill = 'dark blue') +
  geom_histogram(data = d13 %>% filter(color == 'J'), binwidth = 0.5, fill = 'green')
```
<br>
***Nhận xét***
<br>
Trong phân khúc độ sâu từ 55-65% số lượng kim cương của hai màu đạt đỉnh lần lượt màu G là hơn 2550 viên và màu J là gần 510 viên.

## **17. Biểu đồ histogram và tần sô giá thành của từng màu**
```{r}
d14 <- diamonds
d14 %>% ggplot(aes(x = price)) +
  geom_histogram(binwidth = 1000, fill = 'darkblue', color = 'yellow') +
  facet_wrap(~color)
```
***Nhận xét***
<li> màu D: với giá thành 1000 USD được mua 2600 lần là nhiểu nhất</li>
<li> màu E: với giá thành 1000 USD được mua nhiều nhất với hơn 4000 lần</li>
<li> màu F: với giá thành 1000 USD được mua nhiều nhất với gần 3500 lần</li>
<li> màu G: với giá thành 1000 USD được mua nhiều nhất với hơn 4000 lần</li>
<li> màu H: với giá thành 1000 USD được mua nhiều nhất với gần 2500 lần</li>
<li> màu I: với giá thành 1000 USD được mua nhiều nhất với gần 1500 lần</li>
<li> màu J: với giá thành 1000 USD được mua nhiều nhất với gần 400 lần</li>

## **18. Biểu đồ Histogram tương quan giữa số lượng và các màu**
```{r}
d17 <- diamonds
d17 %>% ggplot(aes(x = price, fill = color)) +
  geom_histogram(binwidth = 1000)
```
<br>
***Nhận xét***
<br>
Trong phân khúc 1000 USD số lượng viên kim cương của các màu chiếm rấ nhiều , đi đầu là màu E và ít nhất là J và phân khúc giá càng tăng càng kén người mua.

## **19.Biểu đồ Histogram tương quan giữa số lượng và trọng lượng**
```{r}
d19 <- diamonds
d19 %>% ggplot(aes(x = carat, fill = color)) +
  geom_histogram(binwidth = 0.5)
```
<br>
***Nhận xét***
<br>
Trong phân khúc trong lượng 0.25g số lượng viên kim cương của các màu chiếm rấ nhiều , đi đầu là màu F và ít nhất là J và trọng lượng càng nặng viên kim cương càng hiếm.

## **20.Biểu đồ tương quan giữa carat và color**
```{r}
d20 <- d
d20 %>% group_by(carat,color) %>% summarise(n=n()) %>%
  ggplot(aes(x = carat,y = n)) +
    geom_col(position = 'dodge') +
    facet_wrap(~color) +
    labs(x = 'Loại', y = 'Số lượng')
```
## **21. Biểu đồ tương quan giữa price và cut**
```{r}
d21 <- d
d21 %>% group_by(price,cut) %>% summarise(n=n()) %>%
  ggplot(aes(x = price,y = n)) +
    geom_col(position = 'dodge') +
    facet_wrap(~cut) +
    labs(x = 'Loại', y = 'Số lượng')
```
## **22.Biểu đồ tương quan giữa cut and count theo tường nhóm màu**
```{r}
d22 <- diamonds
d22 %>% group_by(cut,color) %>% summarise(m = mean(price)) %>%
  ggplot(aes(x = cut,y = m)) +
    geom_col(position = 'dodge') +
    facet_wrap(~color) +
    geom_text(aes(label = round(m))) +
    labs(x = 'cut', y = 'Số lượng')
```
<br>
***Nhận xét***
<br>
<li>màu D : loại Fair chiếm nhiều nhất với 4291 viên và thấp nhất là Ideal với 2629 viên</li>
<li>màu E : loại Fair chiếm nhiều nhất với 3682 viên và thấp nhất là Ideal với 2598 viên</li>
<li>màu F : loại Premium chiếm nhiều nhất với 4325 viên và thấp nhất là Ideal với 3375 viên</li>
<li>màu G : loại Premium chiếm nhiều nhất với 4501 viên và thấp nhất là Ideal với 3721 viên</li>
<li>màu H : loại Premium chiếm nhiều nhất với 5217 viên và thấp nhất là Ideal với 3889 viên</li>
<li>màu I : loại Premium chiếm nhiều nhất với 5946 viên và thấp nhất là Ideal với 4452 viên</li>
<li>màu J : loại Premium chiếm nhiều nhất với 6295 viên và thấp nhất là Ideal với 4918 viên</li>

## **23. Biểu đồ trồng giữa cut và color**
```{r}

d23 <- diamonds
d23 <- d23 %>% group_by(cut, color) %>% summarise(n = n())
```

```{r}
d23 %>% ggplot(aes(x = cut, y = n)) +
  geom_col(data = d23 %>% filter(color == 'H'), fill = 'orange') +
  geom_col(data = d23 %>% filter(color == 'J'), fill = 'darkblue')
labs(x = 'Mặt cắt', y = 'Số lượng')
```
<br>
***Nhận xét***
<br>
Nhìn chung các viên kim cương màu H chiếm nhiều hơn màu J so trên từng loại.




## **24.Biểu dồ tương quan giữa table và cut**
```{r}
d25 <- d %>%
  group_by(table, cut) %>%
  summarise(n = n()) %>%
  mutate(color = factor(cut, levels = c("Fair", "GOOD", "Premium", "Ideal")))
```

```{r}
d25 %>%
  ggplot(aes(x = table, y = n, fill = cut)) + 
  geom_col(position = position_dodge()) + 
  labs(x = "Độ đạt mặt cắt", y = "Số lượng") +
  labs(caption = "Biểu đồ thể hiện từng mặt cắt")
```
<br>
***Nhận xét***
<br>
Nhìn chung các viên kim cương Ideal có độ sâu khoảng 57% chiếm nhiều nhất trong khi màu Fair chiếm ít nhất.

## **25.Biểu đồ barplot của giá trị trung bình theo clarity**
```{r}
ggplot(diamonds, aes(x = clarity, y = price)) + geom_bar(stat = "summary", fun = "mean")
```

## **26.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền và màu sắc khác nhau**
```{r}
ggplot(diamonds, aes(x = carat, fill = cut, color = cut)) + geom_histogram()
```

## **27.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền và màu sắc dựa trên clarity và màu sắc**
```{r}
ggplot(diamonds, aes(x = carat, fill = cut, color = clarity, alpha = color)) + geom_histogram()
```
## **29.Biểu đồ phân phối giá trị của carat theo loại diamond với đường viền dựa trên clarity**
```{r}
ggplot(diamonds, aes(x = carat, color = clarity)) + geom_histogram()
```

## **30.Biểu đồ cột thể hiện tổng giá trị (price) theo màu (color) và mức độ cắt (cut)**
```{r}
ggplot(diamonds, aes(x = color, y = price, fill = cut)) +
  geom_col(position = "dodge") +
  labs(title = "Total Price by Color and Cut", x = "Color", y = "Price", fill = "Cut")
```

## **31.Biểu đồ cột thể hiện trung bình giá trị (price) theo mức độ cắt (cut) và độ trong suốt (clarity)**
```{r}
ggplot(diamonds, aes(x = cut, y = price, fill = clarity)) +
  stat_summary(fun = "mean", geom = "col", position = "dodge") +
  labs(title = "Average Price by Cut and Clarity", x = "Cut", y = "Price", fill = "Clarity")
```

## **32.Biểu đồ cột thể hiện tổng trọng lượng (carat) theo mức độ cắt (cut) và độ trong suốt (clarity)**
```{r}
ggplot(diamonds, aes(x = cut, y = carat, fill = clarity)) +
  geom_col(position = "dodge") +
  labs(title = "Total Carat by Cut and Clarity", x = "Cut", y = "Carat", fill = "Clarity")
```



