Análisis exploratorio de la Calidad del Vino

#A continuación, se realiza un análisis descriptivo de la base de datos de la Calidad del Vino

#Se importa la base de datos y se muestra un resumen
Data <- read.csv("C:/Users/User/Downloads/winequality-red.csv")

#Dimensión de la base de datos(N°filas, N°Columnas)
dim(Data)
## [1] 1599   12
#Nombres de las columnas
names(Data)
##  [1] "fixed.acidity"        "volatile.acidity"     "citric.acid"         
##  [4] "residual.sugar"       "chlorides"            "free.sulfur.dioxide" 
##  [7] "total.sulfur.dioxide" "density"              "pH"                  
## [10] "sulphates"            "alcohol"              "quality"
#Cantidad de columnas
columna <- dim(Data)[2]
columna
## [1] 12
#Composición de la data
str(Data)
## 'data.frame':    1599 obs. of  12 variables:
##  $ fixed.acidity       : num  7.4 7.8 7.8 11.2 7.4 7.4 7.9 7.3 7.8 7.5 ...
##  $ volatile.acidity    : num  0.7 0.88 0.76 0.28 0.7 0.66 0.6 0.65 0.58 0.5 ...
##  $ citric.acid         : num  0 0 0.04 0.56 0 0 0.06 0 0.02 0.36 ...
##  $ residual.sugar      : num  1.9 2.6 2.3 1.9 1.9 1.8 1.6 1.2 2 6.1 ...
##  $ chlorides           : num  0.076 0.098 0.092 0.075 0.076 0.075 0.069 0.065 0.073 0.071 ...
##  $ free.sulfur.dioxide : num  11 25 15 17 11 13 15 15 9 17 ...
##  $ total.sulfur.dioxide: num  34 67 54 60 34 40 59 21 18 102 ...
##  $ density             : num  0.998 0.997 0.997 0.998 0.998 ...
##  $ pH                  : num  3.51 3.2 3.26 3.16 3.51 3.51 3.3 3.39 3.36 3.35 ...
##  $ sulphates           : num  0.56 0.68 0.65 0.58 0.56 0.56 0.46 0.47 0.57 0.8 ...
##  $ alcohol             : num  9.4 9.8 9.8 9.8 9.4 9.4 9.4 10 9.5 10.5 ...
##  $ quality             : int  5 5 5 6 5 5 5 7 7 5 ...
#Resumen de los cuartiles data
summary(Data)
##  fixed.acidity   volatile.acidity  citric.acid    residual.sugar  
##  Min.   : 4.60   Min.   :0.1200   Min.   :0.000   Min.   : 0.900  
##  1st Qu.: 7.10   1st Qu.:0.3900   1st Qu.:0.090   1st Qu.: 1.900  
##  Median : 7.90   Median :0.5200   Median :0.260   Median : 2.200  
##  Mean   : 8.32   Mean   :0.5278   Mean   :0.271   Mean   : 2.539  
##  3rd Qu.: 9.20   3rd Qu.:0.6400   3rd Qu.:0.420   3rd Qu.: 2.600  
##  Max.   :15.90   Max.   :1.5800   Max.   :1.000   Max.   :15.500  
##    chlorides       free.sulfur.dioxide total.sulfur.dioxide    density      
##  Min.   :0.01200   Min.   : 1.00       Min.   :  6.00       Min.   :0.9901  
##  1st Qu.:0.07000   1st Qu.: 7.00       1st Qu.: 22.00       1st Qu.:0.9956  
##  Median :0.07900   Median :14.00       Median : 38.00       Median :0.9968  
##  Mean   :0.08747   Mean   :15.87       Mean   : 46.47       Mean   :0.9967  
##  3rd Qu.:0.09000   3rd Qu.:21.00       3rd Qu.: 62.00       3rd Qu.:0.9978  
##  Max.   :0.61100   Max.   :72.00       Max.   :289.00       Max.   :1.0037  
##        pH          sulphates         alcohol         quality     
##  Min.   :2.740   Min.   :0.3300   Min.   : 8.40   Min.   :3.000  
##  1st Qu.:3.210   1st Qu.:0.5500   1st Qu.: 9.50   1st Qu.:5.000  
##  Median :3.310   Median :0.6200   Median :10.20   Median :6.000  
##  Mean   :3.311   Mean   :0.6581   Mean   :10.42   Mean   :5.636  
##  3rd Qu.:3.400   3rd Qu.:0.7300   3rd Qu.:11.10   3rd Qu.:6.000  
##  Max.   :4.010   Max.   :2.0000   Max.   :14.90   Max.   :8.000

Gráfica de la base de datos

indexn <- NULL
indexc <- NULL

#Se divide la cuadrícula en 3 filas de 4 gráficas cada una
par(mfrow = c (3,4) )


#Se grafica el análisis por cada variable, histograma = variable numérica, pastel = variable categórica

for(i in 1:columna){
  if (is.numeric(Data[,i]) == TRUE){
    titulo <- paste ("Variable: ",colnames(Data[i]))
    hist(Data[,i],col = i, main = titulo)
    indexn <- c(indexn,i)
  } else {
    titulo <- paste ("Variable: ",colnames(Data[i]))
    pie(table(Data[,i]), main = titulo)
    indexc <- c(indexc,i)
  }
}

#Todas las variables son numéricas

#Variable fixed.acidity: 
  #- La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para valores con menor acidez.
  #- Hay algunos vinos con acidez muy alta que son considerados como outliers en el rango de 15.2 a 15.9

#Variable volatile.acidity: 
  #- La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para valores con menor volatilidad.
  #-Hay algunos vinos con volatile.acidity muy alta que son considerados como outliers en el rango de 1.39 a 1.58

#Variable citric.acid: 

#Variable residual.sugar:
  #- La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para valores con menor acidez.
  #-Hay algunos vinos con volatile.acidity muy alta que son considerados como outliers en el rango de 4.7 a 15.5(valor maximo)

#Variable chlorides: 
  #-Hay algunos vinos con Variable chlorides muy alta que son considerados como outliers en el rango de 0.13 a 0.611 (valor maximo)

#Variable free.sulfur.dioxide: 
  #- La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para vinos con menor presencia de dióxido de sulfuro.
  #-Hay algunos vinos con Variable free.sulfur.dioxide muy alta que son considerados como outliers en el rango de 63 a 72

#Variable total.sulfur.dioxide: 
  #- La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para valores con menor presencia de dióxido de sulfuro.
  #-Hay algunos vinos con Variable free.sulfur.dioxide muy alta que son considerados como outliers en el rango de 182 a 289

#Variable density:
  #- La mediana (0.9968) y la media (0.9967) son valores prácticamente iguales, lo que significa que   tiene una distribución cercana a la normal.

#Variable PH:
  #- La mediana (3.310) y la media (3.311) son valores prácticamente iguales, lo que significa que tiene una distribución cercana a la normal.

#Variable sulphates:
  #-  La gráfica muestra un sesgo hacia la derecha, lo que significa que la mayor cantidad de datos se   concentran para valores con menor presencia de sulphates .
  #-Hay algunos vinos con Variable sulphates muy alta que son considerados como outliers en el rango de 0.91 a 2

#Variable alcohol:
  #-  La gráfica muestra un leve sesgo hacia la derecha con una tendencia aparentemente normal, 

#Variable quality:
  #- Segun la grafica, se puede intuir que la varibale quality, es multimodal, ya que concentra una gran cantidad de datos en el rango {5,6,7}



# Para el cálculo de los outliers, se utilizó la siguiente fórmula:(Q1-3*IQR,Q3+3*IQR)
# Las variables son numericas, no se encontraron variables NO numericas
# Se recomienda tecnicas para el tratamiento de outliers, ya que en las variables residual.sugar y sulphates, se tienen far outliers, que pueden afectar el tratamiento de la informacion
# Se considera a la varibale quality como la mas importante del data set, por esto, se recomienda buscar las variables que tengan mayor correlacion con esta