Utilità

Caricare un file

Per ciascuno di questi metodi, assicurati di aver installato i pacchetti necessari usando install.packages("nome_pacchetto") prima di utilizzarli. Queste sono le basi, ma ricorda che molti di questi pacchetti offrono molte altre opzioni e funzionalità per gestire casi più complessi o specifiche esigenze di formattazione e pulizia dei dati.

Salvare un File CSV Per salvare un dataframe in un file CSV, puoi utilizzare la funzione write.csv. Supponendo che il tuo dataframe si chiami df e tu voglia salvarlo con il nome mio_file.csv, il comando sarà: write.csv(df, "mio_file.csv", row.names = FALSE) row.names = FALSE evita di includere una colonna aggiuntiva per i nomi delle righe nel file CSV.

Salvare i plot dei grafici Per salvare i plot dei grafici, puoi usare le funzioni ggsave (se stai usando ggplot2) o le funzioni pdf, png, ecc., per formati specifici. Ecco un esempio con ggsave dopo aver creato un plot p con ggplot2: ggsave("mio_grafico.png", plot = p, width = 10, height = 8, dpi = 300) Se non specificate un percorso completo, ma solo un nome di file (come “mio_grafico.png”), ggsave salverà il file nella directory di lavoro corrente di R. getwd()

Eliminare le righe con valori nulli Per eliminare le righe che contengono valori nulli (NA) da un dataframe, puoi utilizzare la funzione na.omit: df_pulito = na.omit(df)

Rinominare una variabile Puoi modificare direttamente il nome delle colonne tramite names() o colnames() assegnando un nuovo valore al nome della colonna che desideri cambiare. * Rinominare la prima colonna in “nuovo_nome” names(tuo_dataframe)[1] <- "nuovo_nome"

Iniziamo caricando alcune librerie che utilizzeremo

library(DT)
library (tidyverse)
library(reshape2)
library (fastDummies)

Prima di tutto, dobbiamo caricare i dati nel nostro ambiente R. Utilizzeremo la funzione read.csv con il parametro sep = “;” per gestire il delimitatore specifico.

survey_data <- read.csv("path_dati", sep =";")** # <- file path = dove sono i dati

Semplifichiamo per chiarezza di lettura e semplcità dei grafici l’etichetta delle Variabili Numeriche

Visualizzazione delle prime tre righe del dataframe utilizzando la libreria DT

datatable(head (survey_data, 3))

Statistiche descrittive: Include media, mediana, moda, range, varianza e deviazione standard per fornire un riassunto quantitativo dei dati. Per ottenere le statistiche descrittive di base per ogni colonna numerica, useremo le funzioni summary() e sd() (per la deviazione standard) dal pacchetto base di R.

# Statistiche descrittive
summary(survey_data)
##  pagare_prodotti materiali_riciclabili impatto_ambientale
##  Min.   :1.00    Min.   :1.00          Min.   :1.00      
##  1st Qu.:3.00    1st Qu.:3.00          1st Qu.:2.00      
##  Median :5.00    Median :5.00          Median :2.00      
##  Mean   :4.02    Mean   :3.92          Mean   :2.55      
##  3rd Qu.:5.00    3rd Qu.:5.00          3rd Qu.:3.00      
##  Max.   :5.00    Max.   :5.00          Max.   :5.00      
##  non_abbandonare_rifiuti leggi_ambientali routine_riciclo riduzione_plastica
##  Min.   :3.00            Min.   :1.00     Min.   :1.00    Min.   :1.00      
##  1st Qu.:4.75            1st Qu.:3.00     1st Qu.:1.00    1st Qu.:3.00      
##  Median :5.00            Median :5.00     Median :2.00    Median :5.00      
##  Mean   :4.68            Mean   :3.95     Mean   :2.46    Mean   :3.97      
##  3rd Qu.:5.00            3rd Qu.:5.00     3rd Qu.:3.00    3rd Qu.:5.00      
##  Max.   :5.00            Max.   :5.00     Max.   :5.00    Max.   :5.00      
##  istruzione_ambientale generazioni_future coinvolgimento motivazione       
##  Min.   :1.00          Min.   :1.00       Min.   :3.00   Length:100        
##  1st Qu.:3.00          1st Qu.:4.00       1st Qu.:4.00   Class :character  
##  Median :4.00          Median :5.00       Median :5.00   Mode  :character  
##  Mean   :3.74          Mean   :4.27       Mean   :4.42                     
##  3rd Qu.:5.00          3rd Qu.:5.00       3rd Qu.:5.00                     
##  Max.   :5.00          Max.   :5.00       Max.   :5.00                     
##     nudge               Classe      Residenza            Corso          
##  Length:100         Min.   :1.00   Length:100         Length:100        
##  Class :character   1st Qu.:2.00   Class :character   Class :character  
##  Mode  :character   Median :3.00   Mode  :character   Mode  :character  
##                     Mean   :3.28                                        
##                     3rd Qu.:4.25                                        
##                     Max.   :5.00                                        
##  Partecipazione    
##  Length:100        
##  Class :character  
##  Mode  :character  
##                    
##                    
## 
# Deviazione standard per ogni colonna numerica
# La deviazione standard di una variabile è un indice riassuntivo delle differenze dei valori di ogni osservazione rispetto alla media della variabile

sapply(survey_data, sd, na.rm = TRUE)
##         pagare_prodotti   materiali_riciclabili      impatto_ambientale 
##               1.2389308               1.3756908               1.2421470 
## non_abbandonare_rifiuti        leggi_ambientali         routine_riciclo 
##               0.6010093               1.3209654               1.2981728 
##      riduzione_plastica   istruzione_ambientale      generazioni_future 
##               1.2984451               1.0974718               1.0430627 
##          coinvolgimento             motivazione                   nudge 
##               0.7545150                      NA                      NA 
##                  Classe               Residenza                   Corso 
##               1.3263453                      NA                      NA 
##          Partecipazione 
##                      NA
# `sapply()` applica iterativamente una funzione a tutti gli elementi di un oggetto (vettore, o lista di vettori, matrice, ecc.), restituendo come risultato una lista (lapply) o un oggetto “semplificato”,

Analisi di Correlazione Per analizzare la correlazione tra le variabili numeriche, possiamo usare la funzione cor() su colonne selezionate, escludendo le variabili non numeriche o le variabili categoriche.

La correlazione è una misura statistica che esprime la relazione lineare tra due variabili (che quindi cambiano insieme a una velocità costante) ed è molto usata per descrivere semplici relazioni senza dover parlare di causa ed effetto

# Seleziona solo colonne numeriche per l'analisi della correlazione
numeric_data <- select_if(survey_data, is.numeric)

# Calcolo della matrice di correlazione
correlation_matrix <- cor(numeric_data, use = "complete.obs")

# Visualizzazione della matrice di correlazione
print(correlation_matrix)
##                         pagare_prodotti materiali_riciclabili
## pagare_prodotti              1.00000000            0.05428657
## materiali_riciclabili        0.05428657            1.00000000
## impatto_ambientale          -0.08598368            0.16196513
## non_abbandonare_rifiuti      0.38851663            0.06646021
## leggi_ambientali             0.24749743            0.33128273
## routine_riciclo             -0.16906757            0.23574320
## riduzione_plastica           0.20758551            0.30965908
## istruzione_ambientale        0.36787901            0.32729323
## generazioni_future           0.61327555            0.08559869
## coinvolgimento              -0.04149360            0.04242898
## Classe                       0.21784864            0.15079761
##                         impatto_ambientale non_abbandonare_rifiuti
## pagare_prodotti               -0.085983683              0.38851663
## materiali_riciclabili          0.161965126              0.06646021
## impatto_ambientale             1.000000000             -0.26248976
## non_abbandonare_rifiuti       -0.262489760              1.00000000
## leggi_ambientali               0.010773043              0.28499697
## routine_riciclo                0.637059876             -0.24960782
## riduzione_plastica             0.185691879              0.29822397
## istruzione_ambientale         -0.042235074              0.45452121
## generazioni_future             0.079131140              0.23589260
## coinvolgimento                 0.106698691             -0.14612334
## Classe                         0.009809687              0.24025109
##                         leggi_ambientali routine_riciclo riduzione_plastica
## pagare_prodotti               0.24749743     -0.16906757          0.2075855
## materiali_riciclabili         0.33128273      0.23574320          0.3096591
## impatto_ambientale            0.01077304      0.63705988          0.1856919
## non_abbandonare_rifiuti       0.28499697     -0.24960782          0.2982240
## leggi_ambientali              1.00000000      0.10190300          0.3230178
## routine_riciclo               0.10190300      1.00000000          0.1221273
## riduzione_plastica            0.32301778      0.12212734          1.0000000
## istruzione_ambientale         0.42293018      0.02807593          0.3559791
## generazioni_future            0.25915069      0.07892372          0.2372436
## coinvolgimento               -0.02939026      0.24420026         -0.2241470
## Classe                        0.26174152      0.03003625          0.1339617
##                         istruzione_ambientale generazioni_future coinvolgimento
## pagare_prodotti                    0.36787901         0.61327555   -0.041493597
## materiali_riciclabili              0.32729323         0.08559869    0.042428977
## impatto_ambientale                -0.04223507         0.07913114    0.106698691
## non_abbandonare_rifiuti            0.45452121         0.23589260   -0.146123341
## leggi_ambientali                   0.42293018         0.25915069   -0.029390263
## routine_riciclo                    0.02807593         0.07892372    0.244200256
## riduzione_plastica                 0.35597914         0.23724358   -0.224146968
## istruzione_ambientale              1.00000000         0.39725237   -0.025372710
## generazioni_future                 0.39725237         1.00000000    0.021305640
## coinvolgimento                    -0.02537271         0.02130564    1.000000000
## Classe                             0.25869659         0.25875663   -0.007671034
##                               Classe
## pagare_prodotti          0.217848645
## materiali_riciclabili    0.150797609
## impatto_ambientale       0.009809687
## non_abbandonare_rifiuti  0.240251092
## leggi_ambientali         0.261741518
## routine_riciclo          0.030036247
## riduzione_plastica       0.133961719
## istruzione_ambientale    0.258696595
## generazioni_future       0.258756634
## coinvolgimento          -0.007671034
## Classe                   1.000000000

Visualizzare i risultati con ggplot2

ggplot2 è un pacchetto in R per la creazione di grafici basato sulla grammatica di graficazione, che fornisce un sistema coerente per descrivere e costruire grafici. La grammatica divide i grafici in componenti di sistema, tra cui:

Heatmap delle Correlazioni sole variabili numeriche con le library ggplot2 e reshape

# Trasformazione della matrice di correlazione in un formato lungo per ggplot2
melted_correlation <- melt(correlation_matrix)

# Creazione del heatmap di correlazione
ggplot(data = melted_correlation, aes(x = Var1, y = Var2, fill = value)) +
  geom_tile() + # Usa le tessere per il heatmap
  scale_fill_gradient2(low = "blue", high = "red", mid = "white", 
                       midpoint = 0, limit = c(-1,1), space = "Lab", 
                       name="Correlazione") +
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "", title = "Heatmap di Correlazione tra le Variabili") +
  coord_fixed()

Esplorazione delle distribuzioni Per esplorare le distribuzioni delle variabili numeriche, possiamo utilizzare il pacchetto ggplot2 per creare istogrammi o diagrammi di densità.

# Selezione delle prime 10 colonne (assumendo siano numeriche o di interesse)
dati_selezionati <- survey_data %>% 
  select(1:10)

# Trasformazione del dataset in formato lungo
dati_lungo <- dati_selezionati %>% 
  pivot_longer(cols = everything(), names_to = "Variabile", values_to = "Valore")

# Creazione del grafico faceted
ggplot(dati_lungo, aes(x = Valore)) + 
  geom_histogram(bins = 30, fill = "blue", color = "black") +
  facet_wrap(~ Variabile, scales = "free_x") +
  theme_minimal() +
  labs(title = "Distribuzione delle prime 10 variabili numeriche",
       x = "Valore",
       y = "Frequenza")

# Istogrammi per le variabili numeriche
ggplot(survey_data, aes(x = materiali_riciclabili)) +
  geom_histogram(binwidth = 1, fill = "blue", color = "black") +
  theme_minimal() +
  labs(title = "Distribuzione di Materiali Riciclabili", x = "Valutazione", y = "Frequenza")

Grafici delle distribuzioni per le variabili categoriche

library(tidyverse)

# Creiamo un istogramma per la variabile nella colonna 11 come esempio.

# Trasformazione dei dati in formato lungo per la colonna 11
dati_lungo_col11 <- pivot_longer(survey_data, cols = 11, names_to = "Variabile", values_to = "Risposta")

# Conversione della colonna selezionata in fattore se non lo è già
dati_lungo_col11$Risposta <- as.factor(dati_lungo_col11$Risposta)

# Creazione dell'istogramma per la colonna 11
ggplot(dati_lungo_col11, aes(x = Risposta)) +
  geom_bar(fill = "skyblue") +
  theme_minimal() +
  labs(title = "Distribuzione delle risposte per la  motivazione",
       x = "Risposta",
       y = "Conteggio") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Grafici della distribuzione dei alcune variabili in relazione ad altre

# Caricare le librerie necessarie
library(ggplot2)

# Per ogni variabile numerica, creiamo un boxplot stratificato per Partecipazione
# Questo è un esempio per una variabile, ripetere per le altre variabili da 1 a 11

ggplot(survey_data, aes(x=Partecipazione, y=pagare_prodotti, fill=Partecipazione)) +
  geom_boxplot() +
  labs(title="Distribuzione di 'pagare_prodotti' per Partecipazione", y="Valutazione pagare_prodotti", x="Partecipazione") +
  theme_minimal()

# Cambiare 'pagare_prodotti' con il nome di ogni variabile da 1 a 11 per creare i restanti grafici

Un boxplot, o diagramma a scatola e baffi, è uno strumento grafico utilizzato per rappresentare la distribuzione di un dataset numerico attraverso la sua quartilistica. Ecco le principali informazioni che un boxplot visualizza:

Correlazioni di tutte le variabili

Trasformo le variabili categoriche in numeriche col Dummy coding

# Applicazione del dummy coding sul dataset, escludendo le colonne già numeriche
survey_data_dummy <- dummy_cols(survey_data, select_columns = c("motivazione", "nudge", "Classe", "Residenza", "Corso", "Partecipazione"), remove_selected_columns = TRUE)

# Anteprima dei dati dopo il dummy coding
# head(survey_data_dummy, 2)
# Calcolare la matrice di correlazione sulle nuove variabili numeriche
correlation_matrix_dummy <- cor(survey_data_dummy, use = "pairwise.complete.obs")

# Visualizzare la matrice di correlazione
#print(correlation_matrix_dummy)

# Calcolo della matrice di correlazione come prima
correlation_matrix_dummy <- cor(survey_data_dummy, use = "pairwise.complete.obs")

# Conversione della matrice di correlazione in formato lungo
correlation_matrix_long <- melt(correlation_matrix_dummy)

Possiamo selezionare solo le variabili con un livello di correlazione maggiore di 0.60 o minore di -0.60 per focalizzarci sulle relazioni più significative. Per fare ciò, dopo aver calcolato la matrice di correlazione, filtreremo le coppie di variabili che soddisfano questi criteri. Successivamente, visualizzeremo queste correlazioni significative.

# Filtraggio per valori di correlazione > 0.60 o < -0.60
significant_correlations <- correlation_matrix_long %>% 
  filter((value > 0.6 | value < -0.6) & value != 1 & value != -1)

Heatmap delle correlazioni

# Creazione del heatmap per le correlazioni significative
ggplot(significant_correlations, aes(x=Var1, y=Var2, fill=value)) +
  geom_tile() +
  scale_fill_gradient2(low = "blue", high = "red", mid = "white", midpoint = 0, limit = c(-1,1), space = "Lab", name="Correlation") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "", title = "Heatmap di Correlazione per Variabili Significative") 

Creiamo una tabella per visualizzare la correlazioni più significative

library (kableExtra)
# Ordiniamo la tabella per valori assoluti di correlazione decrescenti, escludendo le correlazioni perfette
significant_correlations_ordered <- significant_correlations %>% 
  arrange(desc(abs(value)))

# Creazione della tabella con kable, escludendo sia le correlazioni perfettamente positive che quelle negative
kable(significant_correlations_ordered, caption = "Correlazioni Significative Escluse Autocorrelazioni e Correlazioni Perfette", align = 'c')
Correlazioni Significative Escluse Autocorrelazioni e Correlazioni Perfette
Var1 Var2 value
pagare_prodotti pagare_prodotti 1.0000000
impatto_ambientale impatto_ambientale 1.0000000
non_abbandonare_rifiuti non_abbandonare_rifiuti 1.0000000
leggi_ambientali leggi_ambientali 1.0000000
nudge_Maggiori incentivi per comportamenti sostenibili nudge_Maggiori incentivi per comportamenti sostenibili 1.0000000
Residenza_< 5mila Residenza_< 5mila 1.0000000
Corso_linguistico Corso_linguistico 1.0000000
nudge_Più punti di riciclo motivazione_Conformità alle normative 0.8285124
motivazione_Conformità alle normative nudge_Più punti di riciclo 0.8285124
nudge_Iniziative comunitarie e educazione ambientale migliorata motivazione_Salvaguardia dell’ambiente per le generazioni future 0.8179143
motivazione_Salvaguardia dell’ambiente per le generazioni future nudge_Iniziative comunitarie e educazione ambientale migliorata 0.8179143
Partecipazione_no impatto_ambientale -0.7950867
Partecipazione_si impatto_ambientale 0.7950867
impatto_ambientale Partecipazione_no -0.7950867
impatto_ambientale Partecipazione_si 0.7950867
Partecipazione_no routine_riciclo -0.7945192
Partecipazione_si routine_riciclo 0.7945192
routine_riciclo Partecipazione_no -0.7945192
routine_riciclo Partecipazione_si 0.7945192
motivazione_Salvaguardia dell’ambiente per le generazioni future motivazione_Conformità alle normative -0.6786703
motivazione_Conformità alle normative motivazione_Salvaguardia dell’ambiente per le generazioni future -0.6786703
Residenza_>10mila istruzione_ambientale 0.6664794
istruzione_ambientale Residenza_>10mila 0.6664794
nudge_Più punti di riciclo motivazione_Salvaguardia dell’ambiente per le generazioni future -0.6622192
motivazione_Salvaguardia dell’ambiente per le generazioni future nudge_Più punti di riciclo -0.6622192
routine_riciclo impatto_ambientale 0.6370599
impatto_ambientale routine_riciclo 0.6370599
generazioni_future pagare_prodotti 0.6132755
pagare_prodotti generazioni_future 0.6132755
motivazione_Salvaguardia dell’ambiente per le generazioni future pagare_prodotti 0.6004065
pagare_prodotti motivazione_Salvaguardia dell’ambiente per le generazioni future 0.6004065

Costruiamo un modello classificatore: albero decisionale

Per costruire un modello di classificazione basato su un albero decisionale sulla variabile target Partecipazione e visualizzare sia le performance del modello in una tabella sia l’albero decisionale in un grafico, useremo i pacchetti rpart per l’addestramento dell’albero decisionale, rpart.plot per la visualizzazione dell’albero, e caret per valutare le performance del modello. Seguiamo questi passaggi:

  1. Preparazione dei Dati Assumiamo che il dataset sia già stato preparato per l’analisi, con variabili dummy create per le caratteristiche categoriche e qualsiasi preprocessing necessario (ad es., handling dei valori mancanti, normalizzazione) completato.

  2. Split del Dataset Divideremo il dataset in un set di training e un set di test per poter addestrare il modello e valutarne le performance su dati non visti.

  3. Addestramento dell’Albero Decisionale Utilizzeremo rpart per costruire l’albero decisionale.

  4. Valutazione delle Performance Valuteremo le performance del modello sul set di test usando metriche come l’accuratezza, la precisione, il recall, e l’F1-score.

  5. Visualizzazione dell’Albero Decisionale Useremo rpart.plot per visualizzare l’albero.

library(fastDummies)
library(rpart)
library(rpart.plot)
library(caret)

# Passo 1: Trasformazione in Dummy
survey_data_dummy <- dummy_cols(survey_data, select_columns = names(survey_data)[names(survey_data) != "Partecipazione"], remove_first_dummy = TRUE)
survey_data_dummy$Partecipazione <- as.factor(survey_data$Partecipazione)

# Passo 2: Split del Dataset
set.seed(123) # Per assicurare la riproducibilità
splitIndex <- createDataPartition(survey_data_dummy$Partecipazione, p = .80, list = FALSE)
trainData <- survey_data_dummy[splitIndex,]
testData <- survey_data_dummy[-splitIndex,]

# Passo 3: Addestramento dell'Albero Decisionale
model <- rpart(Partecipazione ~ ., data = trainData, method = "class")

# Passo 4: Valutazione delle Performance
predictions <- predict(model, testData, type = "class")
confusionMatrix <- confusionMatrix(predictions, testData$Partecipazione)
print(confusionMatrix)
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction no si
##         no 16  0
##         si  0  3
##                                      
##                Accuracy : 1          
##                  95% CI : (0.8235, 1)
##     No Information Rate : 0.8421     
##     P-Value [Acc > NIR] : 0.03819    
##                                      
##                   Kappa : 1          
##                                      
##  Mcnemar's Test P-Value : NA         
##                                      
##             Sensitivity : 1.0000     
##             Specificity : 1.0000     
##          Pos Pred Value : 1.0000     
##          Neg Pred Value : 1.0000     
##              Prevalence : 0.8421     
##          Detection Rate : 0.8421     
##    Detection Prevalence : 0.8421     
##       Balanced Accuracy : 1.0000     
##                                      
##        'Positive' Class : no         
## 
# Passo 5: Visualizzazione dell'Albero
rpart.plot(model, main="Albero Decisionale per Partecipazione", under=TRUE, faclen=0)

L’etichetta “no” all’inizio dell’albero rappresenta la classificazione iniziale che l’albero fa per le osservazioni. Questo è il risultato della classificazione più frequente o di una certa regola di base prima che qualsiasi divisione (split) venga applicata.

Ecco una spiegazione del processo di costruzione dell’albero e di come leggere l’albero decisionale:

Nodo Radice (Root Node): L’albero inizia con un nodo radice che rappresenta l’intero dataset. Il nodo radice fornisce la classificazione di base che sarebbe stata fatta se non fossero state fatte ulteriori suddivisioni (splits). In questo caso, “no” indica che se l’albero avesse dovuto fare una previsione senza alcuna informazione (senza effettuare split), avrebbe previsto “no” per ogni osservazione.

Condizione di Divisione (Split Condition): L’albero poi procede con una divisione basata sulla condizione che fornisce il miglior miglioramento secondo il criterio di valutazione dell’albero decisionale (come l’entropia* o l’indice Gini). Qui, la condizione “impatto_ambientale < 4” (“Hai mai considerato l’impatto ambientale dei tuoi acquisti?”) è stata scelta come primo split. Significa che l’albero ha trovato che questa condizione divide efficacemente le osservazioni in gruppi più omogenei rispetto al target.

Nodi Figli (Child Nodes): Dopo lo split, abbiamo due nodi figli:

Il ramo sinistro dove la condizione è vera (“yes”), in questo caso indica le osservazioni dove “impatto_ambientale” è inferiore a 4. Il ramo destro dove la condizione è falsa (“no”), qui le osservazioni hanno un “impatto_ambientale” di 4 o superiore. Foglie (Leaf Nodes): Questi sono i nodi terminali che non hanno ulteriori suddivisioni. Ogni nodo foglia fornisce una previsione per le osservazioni che arrivano a quel nodo. Nel tuo albero, i nodi foglia mostrano “si” e “no” con le percentuali di appartenenza a quel nodo.

La percentuale e il numero in ogni nodo foglia indicano rispettivamente la percentuale e la probabilità della classe predetta. Ad esempio, nel nodo sinistro, “no” è la classe predetta con una probabilità di 0.00 (probabilmente un’approssimazione di un valore molto piccolo), rappresentando il 80% delle osservazioni che seguono quel percorso. Similmente, per il nodo destro, “si” ha una probabilità di 1.00 con il 20% delle osservazioni.

La ragione per cui il nodo radice ha l’etichetta “no” è dovuta al fatto che la maggior parte delle osservazioni nel set di dati di training appartiene alla classe “no”.