Bước 1: Khám phá dữ liệu
# Xem tóm tắt dữ liệu
summary(iris)
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
##
# Hiển thị tên cột và chuyển sang chữ thường để dễ thao tác
names(iris)
## [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"
names(iris) <- tolower(names(iris))
names(iris)
## [1] "sepal.length" "sepal.width" "petal.length" "petal.width" "species"
# Kích thước và kiểu dữ liệu
dim(iris)
## [1] 150 5
class(iris)
## [1] "data.frame"
# Kiểm tra kiểu và cấu trúc của các biến cụ thể
typeof(iris$sepal.length)
## [1] "double"
str(iris$sepal.length)
## num [1:150] 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
typeof(iris$species)
## [1] "integer"
class(iris$species)
## [1] "factor"
str(iris$species)
## Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
Bước 2: Chỉnh sửa và thay đổi cấu trúc dữ liệu
# Tách subset cho loài virginica
virginica <- iris %>% filter(species == "virginica")
virginica2 <- iris %>% filter(species == "virginica", sepal.length > 6)
head(virginica)
## sepal.length sepal.width petal.length petal.width species
## 1 6.3 3.3 6.0 2.5 virginica
## 2 5.8 2.7 5.1 1.9 virginica
## 3 7.1 3.0 5.9 2.1 virginica
## 4 6.3 2.9 5.6 1.8 virginica
## 5 6.5 3.0 5.8 2.2 virginica
## 6 7.6 3.0 6.6 2.1 virginica
# Chọn cột sepal.length và sepal.width
selected <- iris %>% select(sepal.length, sepal.width)
head(selected)
## sepal.length sepal.width
## 1 5.1 3.5
## 2 4.9 3.0
## 3 4.7 3.2
## 4 4.6 3.1
## 5 5.0 3.6
## 6 5.4 3.9
# Thêm cột mới tính tỷ lệ và điều kiện
newcol <- iris %>%
mutate(
longer = sepal.length / sepal.width,
longer.2x = sepal.length > 2 * sepal.width
)
tail(newcol)
## sepal.length sepal.width petal.length petal.width species longer
## 145 6.7 3.3 5.7 2.5 virginica 2.030303
## 146 6.7 3.0 5.2 2.3 virginica 2.233333
## 147 6.3 2.5 5.0 1.9 virginica 2.520000
## 148 6.5 3.0 5.2 2.0 virginica 2.166667
## 149 6.2 3.4 5.4 2.3 virginica 1.823529
## 150 5.9 3.0 5.1 1.8 virginica 1.966667
## longer.2x
## 145 TRUE
## 146 TRUE
## 147 TRUE
## 148 TRUE
## 149 FALSE
## 150 FALSE
# Sắp xếp dữ liệu
newcol_sorted1 <- newcol %>% arrange(sepal.width)
newcol_sorted2 <- newcol %>% arrange(desc(sepal.width))
# Unpivot (melt) dữ liệu
iris_melt <- melt(iris, id.vars = "species", variable.name = "size")
head(iris_melt)
## species size value
## 1 setosa sepal.length 5.1
## 2 setosa sepal.length 4.9
## 3 setosa sepal.length 4.7
## 4 setosa sepal.length 4.6
## 5 setosa sepal.length 5.0
## 6 setosa sepal.length 5.4
Bước 3: Trực quan hóa dữ liệu
## Histogram cơ bản
hist(iris$sepal.length)
## Histogram với tùy chỉnh màu và breaks
hist(
iris$sepal.length,
col = "lightblue",
main = "Histogram of Sepal Length",
xlab = "Sepal Length",
ylab = "Frequency"
)
## So sánh Sepal và Petal Length trên cùng biểu đồ
hist(
iris$sepal.length,
col = "gold",
breaks = 20,
main = "Histogram: Sepal vs Petal Length",
xlab = "Size"
)
hist(
iris$petal.length,
col = "lightgreen",
breaks = 30,
add = TRUE
)
legend(
"topright",
legend = c("Sepal Length", "Petal Length"),
fill = c("gold", "lightgreen")
)
## Histogram với ggplot2
ggplot(iris_melt, aes(x = value, fill = size)) +
geom_histogram(color = "#e9ecef",
alpha = 0.6,
position = "identity")
## Facet theo biến size
ggplot(iris_melt, aes(x = value, fill = size)) +
geom_histogram(color = "#e9ecef",
alpha = 0.6,
position = "identity") +
facet_wrap(~ size)
## Boxplot cơ bản
boxplot(
sepal.length ~ species,
data = iris,
main = "Sepal Length by Species",
xlab = "Species",
ylab = "Sepal Length",
col = "lightblue",
border= "black"
)
## Boxplot từ dữ liệu melt
boxplot(
value ~ size,
data = iris_melt,
main = "Compare Different Sizes",
xlab = "Size",
ylab = "Value",
col = "lightblue",
border= "black"
)
## Boxplot và jitter với ggplot2
ggplot(iris_melt, aes(x = size, y = value, fill = size)) +
geom_boxplot() +
geom_jitter(color = "black", size = 0.4, alpha = 0.9)
## Scatter plots cơ bản
plot(iris)
plot(iris[, 1:4])
plot(
iris$sepal.width,
iris$sepal.length,
col = "steelblue",
main = "Scatterplot of Sepal",
xlab = "Sepal Width",
ylab = "Sepal Length",
pch = 19
)
## Pair plot
pairs(
iris[, 1:4],
col = iris[, 5],
oma = c(4,4,6,12),
xpd = TRUE
)
## ggplot scatter với phân loại
ggplot(iris, aes(x = sepal.length, y = sepal.width, color = species)) +
geom_point(size = 5)
## GGally pairs
GGally::ggpairs(
iris,
columns = 1:4,
aes(color = species, alpha = 0.5)
)
Bước 4: Kiểm định giả định với T-test
setosa <- iris %>% filter(species == "setosa")
versicolor <- iris %>% filter(species == "versicolor")
t.test(
x = setosa$petal.length,
y = versicolor$petal.length
)
##
## Welch Two Sample t-test
##
## data: setosa$petal.length and versicolor$petal.length
## t = -39.493, df = 62.14, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.939618 -2.656382
## sample estimates:
## mean of x mean of y
## 1.462 4.260
Bước 5: Phân tích ANOVA
petal_length_aov <- aov(petal.length ~ species, data = iris)
# Kết quả ANOVA
summary(petal_length_aov)
## Df Sum Sq Mean Sq F value Pr(>F)
## species 2 437.1 218.55 1180 <2e-16 ***
## Residuals 147 27.2 0.19
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Kiểm định sau ANOVA
TukeyHSD(petal_length_aov)
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = petal.length ~ species, data = iris)
##
## $species
## diff lwr upr p adj
## versicolor-setosa 2.798 2.59422 3.00178 0
## virginica-setosa 4.090 3.88622 4.29378 0
## virginica-versicolor 1.292 1.08822 1.49578 0
Bước 6: Phân loại với k-mean
iris.test <- iris
iris.test$species <- NULL
head(iris.test)
## sepal.length sepal.width petal.length petal.width
## 1 5.1 3.5 1.4 0.2
## 2 4.9 3.0 1.4 0.2
## 3 4.7 3.2 1.3 0.2
## 4 4.6 3.1 1.5 0.2
## 5 5.0 3.6 1.4 0.2
## 6 5.4 3.9 1.7 0.4
kmeans.result <- kmeans(iris.test, 3)
table(iris$species, kmeans.result$cluster)
##
## 1 2 3
## setosa 50 0 0
## versicolor 0 48 2
## virginica 0 14 36
plot(iris.test[c('sepal.length', 'sepal.width')], col = kmeans.result$cluster)
plotcluster(iris.test, kmeans.result$cluster)
clusplot(iris.test, kmeans.result$cluster, color = TRUE, shade = TRUE)
