EKONOMETRI ILK PROJE
ILK PROJE
.R yükleme
.R Markdown başlanmak
.Web sayfası hazırlandık
.İnternete yükleme
Formül
\[ e^(iθ^)=cos(θ)+isin(θ) \]
Kore ve Amerika’nın 2010-2021 yılları arasındaki enflasyon oranlarını grafik
## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installélibrary(ggplot2)
# Kore ve Amerika'nın enflasyon verilerini oluşturun
years <- c(2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021)
korea_inflation <- c(2.9, 4.0, 2.2, 1.3, 1.3, 0.7, 1.0, 1.9, 1.5, 0.4, 0.5, 1.9)
us_inflation <- c(1.5, 3.0, 1.7, 1.5, 0.8, 0.1, 1.3, 2.1, 2.4, 1.8, 1.4, 2.3)
# Verileri bir veri çerçevesine dönüştürün
inflation_data <- data.frame(Year = years,
Korea = korea_inflation,
US = us_inflation)
# Veri çerçevesinin yapısını kontrol edin
print(inflation_data)## Year Korea US
## 1 2010 2.9 1.5
## 2 2011 4.0 3.0
## 3 2012 2.2 1.7
## 4 2013 1.3 1.5
## 5 2014 1.3 0.8
## 6 2015 0.7 0.1
## 7 2016 1.0 1.3
## 8 2017 1.9 2.1
## 9 2018 1.5 2.4
## 10 2019 0.4 1.8
## 11 2020 0.5 1.4
## 12 2021 1.9 2.3# Grafik çizin
ggplot(inflation_data, aes(x = Year)) +
geom_line(aes(y = Korea, color = "Kore")) +
geom_line(aes(y = US, color = "Amerika")) +
labs(title = "Kore ve Amerika'nın Enflasyon Oranları",
x = "Yıl",
y = "Enflasyon Oranı",
color = "Ülke") +
theme_minimal()
Makine ogrenmesi
Makine öğrenmesi, bir bilgisayar programının belirli bir görevi, verilerden öğrenerek ve deneyerek gerçekleştirmesini sağlayan yapay zeka alanının bir alt dalıdır. Bu, algoritmaların matematiksel ve istatistiksel modeller oluşturarak verilerden öğrenmesini ve bu modelleri kullanarak gelecekteki veriler üzerinde tahminler yapmasını içerir.
İşte makine öğrenmesinin ana bileşenleri ve bazı temel kavramlar:
Veri: Makine öğrenmesi modelleri, eğitim için kullanılmak üzere büyük miktarda veriye ihtiyaç duyar. Bu veri, özellikler (features) ve etiketler (labels) olarak adlandırılan veri noktaları içerir. Özellikler, bir gözlemi tanımlayan girdilerdir, etiketler ise bu gözlemle ilişkilendirilen çıktılardır.
Model: Makine öğrenmesi modeli, veri üzerinde matematiksel bir işleme yaparak belirli bir görevi gerçekleştirmek için kullanılır. Model, genellikle eğitim verisine dayalı olarak optimize edilir. Öğrenme algoritması, veriden modele bu optimizasyonu gerçekleştiren temel yapı taşıdır.
Eğitim: Makine öğrenmesi modelini oluşturmak ve optimize etmek için kullanılan süreçtir. Eğitim verisi, modelin belirli bir görevi öğrenmesi için kullanılır. Eğitim süreci, modelin belirli bir hedefi en iyi şekilde yerine getirmek için parametrelerini ayarlamayı içerir.
Sınıflandırma ve Regresyon: Makine öğrenmesi problemleri genellikle sınıflandırma veya regresyon olarak kategorize edilir. Sınıflandırma problemleri, bir girdiyi belirli bir kategoriye (örneğin, kedi veya köpek) atamayı amaçlar, regresyon problemleri ise sürekli bir çıktı değeri (örneğin, fiyat) tahmin etmeyi amaçlar.
Doğrulama ve Test Etme: Eğitim verisi üzerinde modelin performansını değerlendirmek için doğrulama seti kullanılır. Modelin gerçek dünya verileri üzerindeki performansını değerlendirmek için ise test seti kullanılır. Bu, modelin genelleme yeteneğini değerlendirmek için önemlidir.
Makine öğrenmesi, birçok farklı alanda geniş bir uygulama alanına sahiptir, örneğin: - Görüntü tanıma - Doğal dil işleme - Tıbbi teşhis - Finansal tahminler - Otomotiv endüstrisi - Pazarlama ve reklamcılık
Bu alanlarda makine öğrenmesi, veri analitiği ve tahmin modelleri oluşturarak değerli bilgiler elde etmek ve karmaşık problemleri çözmek için kullanılır.
space titanic
kaggle projet
pacehip titanic( kaggle taninimi)
2912 yılına hoş geldiniz, burada veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerekecek. Dört ışık yılı uzaklıktan bir ileti aldık ve durum iyi değil.
Uzay Gemisi Titanic, bir ay önce fırlatılan bir yıldızlar arası yolcu gemisiydi. Yaklaşık 13.000 yolcusuyla gemi, güneş sistemimizden üç yakındaki yıldızların etrafında dönen yeni yaşanabilir dış gezegenlere göçmenleri taşıyarak ilk seferine çıktı.
İlk hedefi olan sıcak 55 Cancri E’ye ulaşmak üzereyken Alpha Centauri etrafında dönerken, dikkatsiz Uzay Gemisi Titanic, bir toz bulutunun içinde gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki, adını alan gemi 1000 yıl önceki kaderiyle benzer bir akıbete uğradı. Gemisi bütünlüğünü koruduğu halde, neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kayıp yolcuları kurtarma ekiplerine yardımcı olmak ve onları kurtarmak için, uzay gemisinin hasarlı bilgisayar sisteminden kurtarılan kayıtları kullanarak anomali tarafından taşınan yolcuları tahmin etme konusunda meydan okunuyorsunuz.
Onları kurtarın ve tarihi değiştirin!
Ortalama nedir?
“Ortalama”, bir veri kümesindeki değerlerin toplamının, bu değerlerin sayısına bölünmesiyle elde edilen bir ölçüdür. Bu, veri kümesinin merkezini temsil eder. Aritmetik ortalama, en yaygın olarak kullanılan ortalama türüdür. Veri kümesindeki tüm değerlerin toplanması ve bu toplamın veri sayısına bölünmesiyle hesaplanır
Formül
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
Örnek
# Örnek veri kümesi oluşturalım
veri <- c(10, 20, 30, 40, 50)
# Aritmetik ortalama hesaplayalım
ortalama <- mean(veri)
# Sonucu yazdıralım
print(ortalama)## [1] 30Kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin değişkenliğini ölçen bir istatistiksel terimdir. İki değişken arasındaki ilişkinin yönünü (pozitif, negatif veya yok) ve gücünü (ne kadar güçlü bir ilişki olduğunu) belirtir. Kovaryans, bir değişkenin değerinin diğer değişkenin değerleriyle nasıl değiştiğini ölçer.
Eğer iki değişken arasındaki ilişki pozitif ise (bir değişken artarken diğeri de artıyorsa), kovaryans pozitif bir değer alır. Eğer ilişki negatifse (bir değişken artarken diğeri azalıyorsa), kovaryans negatif bir değer alır. İki değişken arasında hiçbir ilişki yoksa, kovaryans sıfırdır.
Kovaryansın büyüklüğü, değişkenler arasındaki ilişkinin gücünü belirtir. Ancak, kovaryansın birimleri, değişkenlerin birimlerinin çarpımıdır ve bu nedenle kovaryansın mutlak değeri, değişkenlerin birimlerine bağlıdır. Bu nedenle, kovaryansın birimlerinden dolayı karşılaştırmak zor olabilir. Bu nedenle, korelasyon katsayısı gibi standartlaştırılmış ölçüler genellikle daha kullanışlıdır.
Formül
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \]
Örnek
# Örnek veri seti oluşturalım
x <- c(1, 2, 3, 4,34, 5)
y <- c(2, 3, 4, 5,23, 6)
# Kovaryansı hesaplayalım
kovaryans <- cov(x, y)
# Sonucu yazdıralım
print(kovaryans)## [1] 100.1667Korelasyon
Korelasyon, iki değişken arasındaki ilişkinin doğasını ve gücünü ölçen bir istatistiksel terimdir. Korelasyon katsayısı, bu ilişkinin gücünü ve yönünü belirtir. Pozitif bir korelasyon, bir değişkenin artarken diğerinin de arttığını gösterirken, negatif bir korelasyon, bir değişkenin artarken diğerinin azaldığını gösterir. Korelasyon katsayısı, -1 ile +1 arasında bir değer alır.
1: Mükemmel pozitif korelasyon (bir değişken artarken diğeri değişken oranda artar). 0: İlişki yok (iki değişken arasında herhangi bir ilişki yok). -1: Mükemmel negatif korelasyon (bir değişken artarken diğeri değişken oranda azalır). Korelasyon katsayısı, iki değişken arasındaki ilişkinin gücünü ve doğasını ölçer, ancak nedensellik hakkında herhangi bir bilgi sağlamaz. Yani, iki değişken arasında güçlü bir korelasyon olsa bile, bir değişkenin diğerini ne şekilde etkilediği veya neden olduğu hakkında herhangi bir bilgi sağlamaz.
Korelasyon katsayısı, -1 ile +1 arasında bir değer alır. 0’a daha yakın olan değerler, zayıf bir ilişkiyi, -1 veya +1’e daha yakın olan değerler ise daha güçlü bir ilişkiyi gösterir.
Formül
\[ r = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \]
Örnek
# Örnek veri seti oluşturalım
x <- c(1, 2, 3, 4, 5)
y <- c(2, 4, 6, 8, 10)
# Korelasyon katsayısını hesaplayalım
korelasyon <- cor(x, y)
# Sonucu yazdıralım
print(korelasyon)## [1] 1Standart sapma nedir?
Standart sapma, bir veri kümesinin dağılımının yaygınlığını veya değişkenliğini ölçen istatistiksel bir terimdir. Standart sapma, ortalama etrafındaki veri noktalarının ne kadar dağınık olduğunu gösterir. Yani, bir veri kümesinin standart sapması ne kadar büyükse, veri noktaları ortalama etrafında o kadar fazla dağılımlıdır ve veri setinin değişkenliği o kadar yüksektir.
Standart sapma, bir veri kümesindeki her bir veri noktasının ortalama değerden ne kadar uzak olduğunu hesaplar. Bu, her bir veri noktasının ortalama değerle arasındaki farkın karelerinin toplamının, veri noktalarının sayısına bölünmesiyle elde edilir. Daha sonra, bu değerin karekökü alınarak standart sapma hesaplanır.
Formül
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Örnek
# Öğrenci notlarını vektör olarak tanımla
notlar <- c(70, 75, 80, 85, 90)
# Standart sapmayı hesapla
standart_sapma <- sd(notlar)
# Sonucu yazdır
print(standart_sapma)## [1] 7.905694Train ve test
## # A tibble: 4,277 × 13
## PassengerId HomePlanet CryoSleep Cabin Destination Age VIP RoomService
## <chr> <chr> <lgl> <chr> <chr> <dbl> <lgl> <dbl>
## 1 0013_01 Earth TRUE G/3/S TRAPPIST-1e 27 FALSE 0
## 2 0018_01 Earth FALSE F/4/S TRAPPIST-1e 19 FALSE 0
## 3 0019_01 Europa TRUE C/0/S 55 Cancri e 31 FALSE 0
## 4 0021_01 Europa FALSE C/1/S TRAPPIST-1e 38 FALSE 0
## 5 0023_01 Earth FALSE F/5/S TRAPPIST-1e 20 FALSE 10
## 6 0027_01 Earth FALSE F/7/P TRAPPIST-1e 31 FALSE 0
## 7 0029_01 Europa TRUE B/2/P 55 Cancri e 21 FALSE 0
## 8 0032_01 Europa TRUE D/0/S TRAPPIST-1e 20 FALSE 0
## 9 0032_02 Europa TRUE D/0/S 55 Cancri e 23 FALSE 0
## 10 0033_01 Earth FALSE F/7/S 55 Cancri e 24 FALSE 0
## # ℹ 4,267 more rows
## # ℹ 5 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>## # A tibble: 6 × 14
## PassengerId HomePlanet CryoSleep Cabin Destination Age VIP RoomService
## <chr> <chr> <lgl> <chr> <chr> <dbl> <lgl> <dbl>
## 1 0001_01 Europa FALSE B/0/P TRAPPIST-1e 39 FALSE 0
## 2 0002_01 Earth FALSE F/0/S TRAPPIST-1e 24 FALSE 109
## 3 0003_01 Europa FALSE A/0/S TRAPPIST-1e 58 TRUE 43
## 4 0003_02 Europa FALSE A/0/S TRAPPIST-1e 33 FALSE 0
## 5 0004_01 Earth FALSE F/1/S TRAPPIST-1e 16 FALSE 303
## 6 0005_01 Earth FALSE F/0/P PSO J318.5-22 44 FALSE 0
## # ℹ 6 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>, Transported <lgl>Veri seti
train.csv - Yaklaşık üçte ikisi (~8700) yolcunun kişisel kayıtları, eğitim verisi olarak kullanılacak.
PassengerId - Her yolcu için benzersiz bir kimlik. Her kimlik gggg_pp şeklinde olup, gggg yolcuyla birlikte seyahat ettiği grubu gösterir ve pp ise gruptaki sırasını belirtir. Bir gruptaki insanlar genellikle aile üyeleridir, ancak her zaman değil.
HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikamet gezegenleri.
CryoSleep - Yolcunun yolculuk süresince askıya alınmış animasyona girmeyi tercih edip etmediğini gösterir. Cryosleep’teki yolcular kabinlerine hapsedilmiştir.
Cabin - Yolcunun kaldığı kabin numarası. Yan numara/numara/yön şeklinde alınır, yan Port için P veya Starboard için S olabilir.
Destination - Yolcunun ineceği gezegen.
Age - Yolcunun yaşı.
VIP - Yolcunun yolculuk sırasında özel VIP hizmeti için ödeme yapılıp yapılmadığını gösterir.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Yolcunun Spaceship Titanic’in birçok lüks olanaklarında fatura tutarı.
Name - Yolcunun adı ve soyadı.
Transported - Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu, tahmin etmeye çalıştığınız sütun olan hedeftir.
test.csv - Yolcuların geriye kalan üçte biri (~4300) için kişisel kayıtlar, test verisi olarak kullanılacak. Göreviniz, bu setteki yolcular için Transported değerini tahmin etmektir.
sample_submission.csv - Doğru formatta bir gönderim dosyası.
PassengerId - Test setindeki her yolcu için kimlik.
Transported - Hedef. Her yolcu için, ya Doğru ya da Yanlış tahmin edin.
Cabin üç ayrı gruba ayrılması
Boşluk doldurma
## # A tibble: 17 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 PassengerId fct 0 0 8693 NA NA NA
## 2 HomePlanet fct 201 2.3 4 NA NA NA
## 3 CryoSleep lgl 217 2.5 3 0 0.36 1
## 4 Cabin fct 199 2.3 6561 NA NA NA
## 5 sutun1 fct 199 2.3 9 NA NA NA
## 6 sutun2 fct 199 2.3 1818 NA NA NA
## 7 sutun3 fct 199 2.3 3 NA NA NA
## 8 Destination fct 182 2.1 4 NA NA NA
## 9 Age dbl 179 2.1 81 0 28.8 79
## 10 VIP lgl 203 2.3 3 0 0.02 1
## 11 RoomService dbl 181 2.1 1274 0 225. 14327
## 12 FoodCourt dbl 183 2.1 1508 0 458. 29813
## 13 ShoppingMall dbl 208 2.4 1116 0 174. 23492
## 14 Spa dbl 183 2.1 1328 0 311. 22408
## 15 VRDeck dbl 188 2.2 1307 0 305. 24133
## 16 Name fct 200 2.3 8474 NA NA NA
## 17 Transported lgl 0 0 2 0 0.5 1
##
## Variables sorted by number of missings:
## Variable Count
## CryoSleep 0.02496261
## ShoppingMall 0.02392730
## VIP 0.02335212
## HomePlanet 0.02312205
## Name 0.02300702
## Cabin 0.02289198
## sutun1 0.02289198
## sutun2 0.02289198
## sutun3 0.02289198
## VRDeck 0.02162660
## FoodCourt 0.02105142
## Spa 0.02105142
## Destination 0.02093639
## RoomService 0.02082135
## Age 0.02059128
## PassengerId 0.00000000
## Transported 0.00000000
## PassengerId Transported VIP FoodCourt Spa Destination Name VRDeck CryoSleep
## 426 1 1 1 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 14 1 1 1 1 1 1 1 1 1
## 15 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 1
## 12 1 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1 1
## 14 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 11 1 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 1 0
## 6 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 1 0 0
## 11 1 1 1 1 1 1 0 1 1
## 6 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 1 0 1 0 1
## 8 1 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1 1
## 1 1 1 1 0 1 1 1 1 1
## 1 1 1 1 0 1 1 1 0 1
## 1 1 1 1 0 1 0 1 1 1
## 4 1 1 0 1 1 1 1 1 1
## 0 0 4 7 8 9 11 12 13
## RoomService Age HomePlanet Cabin sutun1 sutun2 sutun3 ShoppingMall
## 426 1 1 1 1 1 1 1 1 0
## 13 1 1 1 1 1 1 1 0 1
## 14 1 1 1 0 0 0 0 1 4
## 15 1 1 0 1 1 1 1 1 1
## 2 1 1 0 1 1 1 1 0 2
## 12 1 0 1 1 1 1 1 1 1
## 3 1 0 1 1 1 1 1 0 2
## 14 0 1 1 1 1 1 1 1 1
## 1 0 1 1 0 0 0 0 1 5
## 11 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 2 1 0 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 11 1 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 1 1 1
## 15 17 18 18 18 18 18 18 204## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0001_01: 1 Earth :4602 Mode :logical G/734/S: 8 F :2794
## 0002_01: 1 Europa:2131 FALSE:5439 B/11/S : 7 G :2559
## 0003_01: 1 Mars :1759 TRUE :3037 B/201/P: 7 E : 876
## 0003_02: 1 NA's : 201 NA's :217 B/82/S : 7 B : 779
## 0004_01: 1 C/137/S: 7 C : 747
## 0005_01: 1 (Other):8458 (Other): 739
## (Other):8687 NA's : 199 NA's : 199
## sutun2 sutun3 Destination Age
## 82 : 28 P :4206 55 Cancri e :1800 Min. : 0.00
## 19 : 22 S :4288 PSO J318.5-22: 796 1st Qu.:19.00
## 86 : 22 NA's: 199 TRAPPIST-1e :5915 Median :27.00
## 176 : 21 NA's : 182 Mean :28.83
## 56 : 21 3rd Qu.:38.00
## (Other):8380 Max. :79.00
## NA's : 199 NA's :179
## VIP RoomService FoodCourt ShoppingMall
## Mode :logical Min. : 0.0 Min. : 0.0 Min. : 0.0
## FALSE:8291 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## TRUE :199 Median : 0.0 Median : 0.0 Median : 0.0
## NA's :203 Mean : 224.7 Mean : 458.1 Mean : 173.7
## 3rd Qu.: 47.0 3rd Qu.: 76.0 3rd Qu.: 27.0
## Max. :14327.0 Max. :29813.0 Max. :23492.0
## NA's :181 NA's :183 NA's :208
## Spa VRDeck Name Transported
## Min. : 0.0 Min. : 0.0 Alraium Disivering: 2 Mode :logical
## 1st Qu.: 0.0 1st Qu.: 0.0 Ankalik Nateansive: 2 FALSE:4315
## Median : 0.0 Median : 0.0 Anton Woody : 2 TRUE :4378
## Mean : 311.1 Mean : 304.9 Apix Wala : 2
## 3rd Qu.: 59.0 3rd Qu.: 46.0 Asch Stradick : 2
## Max. :22408.0 Max. :24133.0 (Other) :8483
## NA's :183 NA's :188 NA's : 200## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0001_01: 1 Earth :3566 Mode :logical B/11/S : 7 F :2152
## 0002_01: 1 Europa:1673 FALSE:4274 C/137/S : 7 G :1973
## 0003_01: 1 Mars :1367 TRUE :2332 E/13/S : 7 E : 683
## 0003_02: 1 G/1476/S: 7 B : 628
## 0004_01: 1 G/734/S : 7 C : 587
## 0005_01: 1 C/21/P : 6 D : 374
## (Other):6600 (Other) :6565 (Other): 209
## sutun2 sutun3 Destination Age VIP
## 82 : 22 P:3261 55 Cancri e :1407 Min. : 0.00 Mode :logical
## 56 : 19 S:3345 PSO J318.5-22: 623 1st Qu.:19.00 FALSE:6444
## 97 : 19 TRAPPIST-1e :4576 Median :27.00 TRUE :162
## 176 : 18 Mean :28.89
## 186 : 17 3rd Qu.:38.00
## 269 : 17 Max. :79.00
## (Other):6494
## RoomService FoodCourt ShoppingMall Spa
## Min. : 0 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0 Median : 0.00 Median : 0.0 Median : 0.0
## Mean : 223 Mean : 478.96 Mean : 178.4 Mean : 313.2
## 3rd Qu.: 49 3rd Qu.: 82.75 3rd Qu.: 30.0 3rd Qu.: 65.0
## Max. :9920 Max. :29813.00 Max. :12253.0 Max. :22408.0
##
## VRDeck Name Transported
## Min. : 0.0 Alraium Disivering: 2 Mode :logical
## 1st Qu.: 0.0 Ankalik Nateansive: 2 FALSE:3279
## Median : 0.0 Anton Woody : 2 TRUE :3327
## Mean : 303.8 Apix Wala : 2
## 3rd Qu.: 52.0 Asch Stradick : 2
## Max. :20336.0 Carry Contrevins : 2
## (Other) :6594