EKONOMETRI ILK PROJE
ILK PROJE
•R Yükleme
•R Markdown
•Web sayfasını hazırlama
• İnternete yükleme
Formül yazma
\[ \ln(x^2)=2\ln x \]
FRANSA VE ALMANYA ENFLASYONU# ggplot2 paketini yükleyinu
## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installélibrary(ggplot2)
# Almanya ve Fransa'nın enflasyon verilerini içeren bir veri çerçevesi oluşturun (örneğin)
# Örnek veri çerçevesi oluşturalım:
enflasyon_verileri <- data.frame(
Tarih = as.Date(c("2023-01-01", "2023-02-01", "2023-03-01", "2023-04-01", "2023-05-01")),
Almanya = c(1.5, 1.8, 2.2, 2.0, 2.5),
Fransa = c(1.2, 1.6, 1.9, 1.7, 2.1)
)
# Enflasyon grafiğini çizin
ggplot(enflasyon_verileri, aes(x = Tarih)) +
geom_line(aes(y = Almanya, color = "Almanya")) +
geom_line(aes(y = Fransa, color = "Fransa")) +
labs(title = "Almanya ve Fransa Enflasyon Grafiği", y = "Enflasyon Oranı (%)", x = "Tarih") +
scale_color_manual(name = "Ülke", values = c(Almanya = "blue", Fransa = "red")) +
theme_minimal()
Makine oğrenmesi açıklayın
Makine öğrenimi (Machine Learning), bilgisayar sistemlerinin veri üzerinden öğrenme yeteneğine sahip olduğu yapay zeka alanının bir alt dalıdır. Geleneksel programlama yaklaşımından farklı olarak, makine öğrenimi sistemlerine doğrudan bir algoritma vermek yerine, bu sistemler veri üzerinden öğrenme yeteneğine sahiptir.
Makine öğrenimi, genel olarak üç kategori altında incelenebilir:
Denetimli Öğrenme (Supervised Learning): Bu türde, bir model belirli bir girdiye karşılık çıktıyı öğrenir. Model, eğitim veri seti olarak adlandırılan etiketlenmiş veriye dayanarak giriş ve çıkış arasındaki ilişkiyi öğrenir. Örneğin, bir resimdeki nesneleri tanıyan bir model, resimlerle etiketlenmiş bir veri seti kullanarak öğrenir.
Denetimsiz Öğrenme (Unsupervised Learning): Bu türde, model etiketlenmemiş veri kümesi üzerinde öğrenme yapar. Amacı, veri setindeki kalıpları ve yapıları keşfetmektir. Kümeleme (clustering) gibi teknikler, veri içinde doğal olarak ortaya çıkan grupları tanımlamak için kullanılabilir.
Pekiştirme Öğrenmesi (Reinforcement Learning): Bu türde, model belirli bir ortamda bir görevi gerçekleştirmeyi öğrenir. Model, çevresini gözlemleyebilir ve bu çevre üzerinde eylemler gerçekleştirerek bir ödül alır veya ceza alır. Amacı, toplam ödülü maksimize etmek için en uygun eylem stratejisini öğrenmektir. Örneğin, bir robotun bir odayı dolaşarak belirli bir hedefe ulaşması gibi.
Makine öğrenimi, geniş bir uygulama yelpazesine sahiptir. Örnekler arasında görüntü tanıma, doğal dil işleme, tahmin analizi, tıbbi teşhisler, finansal tahminler ve otomasyon yer alır. Makine öğrenimi modelleri genellikle büyük miktarlarda veriye dayanır ve bu verilerin analiziyle sürekli olarak iyileştirilirler.
##Kaggle proje
Spaceship Titanic (Kaggle Tanımı)
Kozmik bir gizemi çözmek için veri bilimi becerilerinize ihtiyaç duyulan 2912 yılına hoş geldiniz. Dört ışık yılı öteden bir sinyal aldık ve işler pek iyi görünmüyor.
Uzay Gemisi Titanik, bir ay önce fırlatılan yıldızlararası bir yolcu gemisiydi. Gemide neredeyse 13.000 yolcu bulunan gemi, güneş sistemimizden göçmenleri yakın yıldızların yörüngesinde bulunan üç yeni yaşanabilir dış gezegene taşımak üzere ilk yolculuğuna çıktı.
Dikkatsiz Uzay Gemisi Titanic, ilk varış noktası olan kavurucu 55 Cancri E’ye giderken Alpha Centauri’yi dönerken, bir toz bulutunun içine gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki 1000 yıl önceki adaşı ile benzer bir kaderle karşılaştı. Gemi sağlam kalmasına rağmen yolcuların neredeyse yarısı alternatif bir boyuta taşındı!
aritmetik ortalama nedir?
Aritmetik ortalama, bir veri setindeki tüm değerlerin toplamının, veri setindeki değerlerin sayısına bölünmesiyle elde edilen bir ölçümdür. Başka bir deyişle, aritmetik ortalama, bir veri setindeki değerlerin eşit ağırlıklı ortalamasıdır.
formül
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
# Örnek veri setini oluşturma
sınav_notları <- c(85, 90, 75, 95, 80)
# Aritmetik ortalamayı hesaplama
ortalama <- mean(sınav_notları)
print(ortalama)## [1] 85Standart sapma
Standart sapma, bir veri setindeki değerlerin ortalama değerden ne kadar uzaklıkta olduğunu ölçen bir istatistiksel ölçümdür. Standart sapma, veri dağılımının yayılma derecesini gösterir. Daha düşük bir standart sapma, verilerin ortalama etrafında daha sıkı bir şekilde toplandığını, daha yüksek bir standart sapma ise verilerin ortalama etrafında daha geniş bir şekilde dağıldığını gösterir.
###formül
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
# Örnek veri setini oluşturma
boy <- c(160, 165, 170, 175, 180)
# Standart sapmayı hesaplama
standart_sapma <- sd(boy)
print(standart_sapma)## [1] 7.905694kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin değişkenlik ölçüsünü ifade eden bir istatistiksel terimdir. İki değişken arasındaki ilişkinin doğrusal bir şekilde nasıl değiştiğini ölçer. Pozitif bir kovaryans, iki değişkenin birlikte artma eğiliminde olduğunu, negatif bir kovaryans ise bir değişken artarken diğerinin azalma eğiliminde olduğunu gösterir.
Formül
\[ Cov(X, Y) = \frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})(Y_i - \bar{Y}) \]
# Veri setini oluşturalım
x <- c(10, 20, 30, 40, 50) # İlk değişken
y <- c(5, 15, 25, 35, 45) # İkinci değişken
# Kovaryansı hesaplayalım
kovaryans <- cov(x, y)
print(kovaryans)## [1] 250korelasyon nedir
Korelasyon, iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen bir istatistiksel ölçüdür. Korelasyon katsayısı genellikle -1 ile 1 arasında değer alır. Pozitif bir korelasyon katsayısı, iki değişken arasında doğrusal bir ilişkinin olduğunu gösterirken, negatif bir korelasyon katsayısı ise iki değişken arasında ters bir ilişkinin olduğunu gösterir. Korelasyon katsayısının mutlak değeri, ilişkinin gücünü gösterir. ##formül \[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})^2}} \]
# Örnek veri setini oluşturma
matematik_sınavı <- c(85, 90, 75, 95, 80)
fen_sınavı <- c(70, 85, 80, 90, 65)
# Korelasyonu hesaplama
korelasyon <- cor(matematik_sınavı, fen_sınavı)
print(korelasyon)## [1] 0.6099943train ve test nedir?
“Train” ve “test” terimleri, makine öğrenimi ve veri bilimi alanlarında sıkça kullanılan kavramlardır. Bu terimler, veri setini eğitim ve test veri kümelerine ayırmak için kullanılır.
Eğitim Veri Kümesi (Train Dataset): Makine öğrenimi modelinin öğrenmek için kullandığı veri setidir. Model, eğitim veri kümesi üzerinde eğitilir ve bu veri seti üzerinden örüntüleri tanımak ve ilişkileri öğrenmek için kullanılır. Eğitim veri kümesi, modelin parametrelerini (ağırlıklarını) ayarlamak için kullanılır.
Test Veri Kümesi (Test Dataset): Modelin eğitilmesi ve performansının değerlendirilmesi için kullanılan ayrı bir veri setidir. Test veri kümesi, modelin eğitim sırasında görmediği, bağımsız bir veri setidir. Model, test veri kümesi üzerindeki performansını değerlendirmek için kullanılır ve genellikle gerçek dünya verilerini simüle etmek için kullanılır.
Makine öğrenimi projelerinde genellikle veri seti, eğitim ve test kümelerine ayrılır. Eğitim veri kümesi üzerinde model eğitilir ve ardından test veri kümesi üzerinde modelin performansı değerlendirilir. Bu, modelin gerçek dünya verileri üzerinde nasıl performans göstereceğini daha iyi anlamak için yapılır.
Eğitim ve test veri kümelerinin ayrılması, modelin aşırı uyum (overfitting) problemlerini önlemeye ve genelleme yeteneğini iyileştirmeye yardımcı olur. Ayrıca, modelin gerçek dünya verileri üzerinde ne kadar iyi performans göstereceğini daha güvenilir bir şekilde tahmin etmek için kullanılır.
## # 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: 8,693 × 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
## 7 0006_01 Earth FALSE F/2/S TRAPPIST-1e 26 FALSE 42
## 8 0006_02 Earth TRUE G/0/S TRAPPIST-1e 28 FALSE 0
## 9 0007_01 Earth FALSE F/3/S TRAPPIST-1e 35 FALSE 0
## 10 0008_01 Europa TRUE B/1/P 55 Cancri e 14 FALSE 0
## # ℹ 8,683 more rows
## # ℹ 6 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>, Transported <lgl>veri seti
train.csv - Eğitim verisi olarak kullanılmak üzere yaklaşık üçte ikisi (~8700) yolcunun kişisel kayıtları
PassengerId - Her yolcu için benzersiz bir Kimlik. Her Kimlik, gggg_pp biçiminde olup, gggg, yolcuyla seyahat eden grubu ve pp, gruptaki sırasını belirtir. Bir gruptaki insanlar genellikle aile üyeleridir, ancak her zaman değil.
HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikamet gezegenleri.
CryoSleep - Yolcunun yolculuğun süresince dondurularak animasyonu durdurmayı seçip seçmediğini belirtir. Cryosleep’teki yolcular kabinlerine kapatılmıştır.
Cabin - Yolcunun konakladığı kabin numarası. deck/num/side şeklinde alır, burada side, Port için P veya Starboard için S olabilir . Destination - Yolcunun ineceği gezegen.
Age - Yolcunun yaşı.
VIP - Yolcunun yolculuk sırasında özel VIP hizmeti için ödeme yapmış olup olmadığını belirtir.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Spaceship Titanic’in birçok lüks olanaklarında yolcunun fatura ettiği miktar. Name - Yolcunun adı ve soyadı. Transported - Yolcunun başka bir boyuta taşınıp taşınmadığını belirtir. Bu, tahmin etmeye çalıştığınız sütun olan hedeftir.
test.csv - Test verisi olarak kullanılmak üzere geriye kalan üçte birlik (~4300) yolcunun kişisel kayıtları. 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, True veya False tahmin edin.
kabinlerin 3 gruba sınıflandırılması
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ stringr 1.5.1
## ✔ forcats 1.0.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors## PassengerId HomePlanet CryoSleep Cabin
## Length:8693 Length:8693 Mode :logical Length:8693
## Class :character Class :character FALSE:5439 Class :character
## Mode :character Mode :character TRUE :3037 Mode :character
## NA's :217
##
##
##
## sutun1 sutun2 sutun3 Destination
## Length:8693 Length:8693 Length:8693 Length:8693
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Age VIP RoomService FoodCourt
## Min. : 0.00 Mode :logical Min. : 0.0 Min. : 0.0
## 1st Qu.:19.00 FALSE:8291 1st Qu.: 0.0 1st Qu.: 0.0
## Median :27.00 TRUE :199 Median : 0.0 Median : 0.0
## Mean :28.83 NA's :203 Mean : 224.7 Mean : 458.1
## 3rd Qu.:38.00 3rd Qu.: 47.0 3rd Qu.: 76.0
## Max. :79.00 Max. :14327.0 Max. :29813.0
## NA's :179 NA's :181 NA's :183
## ShoppingMall Spa VRDeck Name
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Length:8693
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 Class :character
## Median : 0.0 Median : 0.0 Median : 0.0 Mode :character
## Mean : 173.7 Mean : 311.1 Mean : 304.9
## 3rd Qu.: 27.0 3rd Qu.: 59.0 3rd Qu.: 46.0
## Max. :23492.0 Max. :22408.0 Max. :24133.0
## NA's :208 NA's :183 NA's :188
## Transported
## Mode :logical
## FALSE:4315
## TRUE :4378
##
##
##
## train boşluklarını doldurmak
## # 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 CryoSleep VRDeck
## 440 1 1 1 1 1 1 1 1 1
## 13 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
## 14 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 7 1 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 1 0
## 2 1 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 1 0
## 11 1 1 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 0
## 11 1 1 1 1 1 1 0 1 1
## 7 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 1 0
## 8 1 1 1 1 0 1 1 1 1
## 5 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 1 0
## 1 1 1 1 0 1 0 1 1 1
## 4 1 1 0 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 1
## 0 0 5 8 8 10 11 13 14
## RoomService Cabin sutun1 sutun2 sutun3 Age HomePlanet ShoppingMall
## 440 1 1 1 1 1 1 1 1 0
## 13 1 1 1 1 1 1 1 0 1
## 15 1 1 1 1 1 1 0 1 1
## 2 1 1 1 1 1 1 0 0 2
## 12 1 1 1 1 1 0 1 1 1
## 3 1 1 1 1 1 0 1 0 2
## 14 1 0 0 0 0 1 1 1 4
## 14 0 1 1 1 1 1 1 1 1
## 1 0 1 1 1 1 1 0 1 2
## 1 0 0 0 0 0 1 1 1 5
## 7 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 0 2
## 2 1 1 1 1 1 0 1 1 2
## 1 1 0 0 0 0 1 1 1 5
## 11 1 1 1 1 1 1 1 1 1
## 1 1 0 0 0 0 1 1 1 5
## 1 1 1 1 1 1 1 1 1 2
## 11 1 1 1 1 1 1 1 1 1
## 7 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 0 1 2
## 1 1 1 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1 1
## 1 1 0 0 0 0 1 1 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
## 1 1 1 1 1 1 0 1 1 2
## 16 18 18 18 18 18 19 19 213## 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