Thực hành
Nguyễn Quốc Hải
2025-05-19
Đọc dữ liệu
data <- read.csv("D:\\Downloads\\Supermarket Transactions.csv", header = T)Chọn các biến định tính
data <- data[,c(4,5,6,8,9,10,11,12,13,14)]Phân tích các biến định tính
Gender
Tần số
table(data$Gender)##
## F M
## 7170 6889Tần suất
table(data$Gender)/sum(table(data$Gender))##
## F M
## 0.5099936 0.4900064Biểu đồ cột
library(ggplot2)
library(dplyr)
ggplot(data = data, aes(x = Gender)) +
geom_bar(fill = "skyblue", color = "black", width = 0.4) +
theme_minimal(base_size = 14)
ggplot(data =data, aes(x=Gender)) +
geom_bar(aes(y = (..count..)/sum(..count..)),fill = "skyblue", color = "black", width = 0.4) +
ylab('%') + xlab('Gender')+
theme_minimal(base_size = 14)
Biểu đồ tròn
gender_count <- data %>%
count(Gender) %>%
mutate(prop = n / sum(n),
label = paste0(Gender, " (", scales::percent(prop), ")"))
ggplot(gender_count, aes(x = "", y = prop, fill = Gender)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5)) +
theme_minimal(base_size = 14)+
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank()
)
Nhận xét: Phân bố giới tính trong tập dữ liệu khá đồng đều, với tỷ lệ nam giới chiếm 50.21% và nữ giới chiếm 49.79%. Sự cân bằng này cho thấy không có thiên lệch đáng kể trong cơ cấu khách hàng theo giới tính.
Biến MaritalStatus
Tần số
##
## M S
## 6866 7193Tần suất
table(data$MaritalStatus)/sum(table(data$MaritalStatus))##
## M S
## 0.4883704 0.5116296Biểu đồ cột
library(ggplot2)
ggplot(data = data, aes(x = MaritalStatus)) +
geom_bar(fill = "lightgreen", color = "black", width = 0.4) +
theme_minimal(base_size = 14)
ggplot(data =data, aes(x=MaritalStatus)) +
geom_bar(aes(y = (..count..)/sum(..count..)),fill = "lightgreen", color = "black", width = 0.4) +
ylab('%') + xlab('MaritalStatus')+
theme_minimal(base_size = 14)
Biểu đồ tròn
marital_count <- data %>%
count(MaritalStatus) %>%
mutate(prop = n / sum(n),
label = paste0(MaritalStatus, " (", scales::percent(prop), ")"))
ggplot(marital_count, aes(x = "", y = prop, fill = MaritalStatus)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5)) +
theme_minimal(base_size = 14)+
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank()
)
Nhận xét: Khách hàng độc thân chiếm tỷ lệ nhỉnh hơn một chút (51.16%) so với nhóm đã kết hôn (48.84%).
Biến Homeowner
Tần số
##
## N Y
## 5615 8444Tần suất
table(data$Homeowner)/sum(table(data$Homeowner))##
## N Y
## 0.3993883 0.6006117Biểu đồ cột
library(ggplot2)
ggplot(data = data, aes(x = Homeowner)) +
geom_bar(fill = "lightblue", color = "black", width = 0.4) +
theme_minimal(base_size = 14)
ggplot(data =data, aes(x=Homeowner)) +
geom_bar(aes(y = (..count..)/sum(..count..)),fill = "lightgreen", color = "black", width = 0.4) +
ylab('%') + xlab('Homeowner')+
theme_minimal(base_size = 14)
homeowner_count <- data %>%
count(Homeowner) %>%
mutate(prop = n / sum(n),
label = paste0(Homeowner, " (", scales::percent(prop), ")"))
ggplot(homeowner_count, aes(x = "", y = prop, fill = Homeowner)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5)) +
theme_minimal(base_size = 14)+
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank()
)
Nhận xét: Phần lớn khách hàng (60%) là chủ sở hữu nhà, chỉ có khoảng 40% không sở hữu nhà. Điều này phản ánh rằng đa số người tiêu dùng trong tập dữ liệu có mức độ ổn định tài chính tương đối cao.
Biến AnnualIncome
Tần số
table(data$AnnualIncome)##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 3090 643 760 273 4601
## $50K - $70K $70K - $90K $90K - $110K
## 2370 1709 613Tần suất
table(data$AnnualIncome) / sum(table(data$AnnualIncome))##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 0.21978804 0.04573583 0.05405790 0.01941817 0.32726367
## $50K - $70K $70K - $90K $90K - $110K
## 0.16857529 0.12155914 0.04360196Biểu đồ cột
ggplot(data = data, aes(x = AnnualIncome)) +
geom_bar(fill = "yellow", color = "black", width = 0.4) +
theme_minimal(base_size = 10)
ggplot(data = data, aes(x = AnnualIncome)) +
geom_bar(aes(y = (..count..) / sum(..count..)),
fill = "yellow", color = "black", width = 0.4) +
ylab('%') + xlab('AnnualIncome') +
theme_minimal(base_size = 10)
Nhận xét: nhóm khách hàng có thu nhập $30K – $50K chiếm tỷ trọng lớn nhất, đạt khoảng 32.73%, nhóm tiếp theo là $10K – $30K (21.98%) và $50K – $70K (16.86%). Trong khi đó, các nhóm thu nhập cao như $110K – $130K, $130K – $150K và $150K+ chỉ chiếm lần lượt 4.57%, 5.41% và 1.94%, cho thấy đối tượng khách hàng giàu có chiếm tỷ lệ nhỏ trong tập dữ liệu. Nhóm $90K – $110K cũng chỉ chiếm 4.36%, thấp hơn đáng kể so với các nhóm thu nhập thấp hơn.
Biến City
Tần số
table(data$City)##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 383 143 811 834 452
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 75 845 926 654 194
## Orizaba Portland Salem San Andres San Diego
## 464 876 1386 621 866
## San Francisco Seattle Spokane Tacoma Vancouver
## 130 922 875 1257 633
## Victoria Walla Walla Yakima
## 176 160 376Tần suất
table(data$City) / sum(table(data$City))##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 0.027242336 0.010171420 0.057685468 0.059321431 0.032150224
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 0.005334661 0.060103848 0.065865282 0.046518245 0.013798990
## Orizaba Portland Salem San Andres San Diego
## 0.033003770 0.062308841 0.098584537 0.044170994 0.061597553
## San Francisco Seattle Spokane Tacoma Vancouver
## 0.009246746 0.065580767 0.062237712 0.089408920 0.045024539
## Victoria Walla Walla Yakima
## 0.012518671 0.011380610 0.026744434Nhận xét: các giá trị này dao động từ mức thấp nhất khoảng 0.0053 (Camacho) đến mức cao nhất gần 0.0986 (Salem), cho thấy sự khác biệt khá lớn về mức độ xuất hiện của từng khu vực. Một số thành phố lớn như Los Angeles, Seattle, San Diego và Portland có tỉ lệ khá cao, đều trên 6%, phản ánh sự tập trung dữ liệu chủ yếu vào những vùng đô thị lớn. Điều này có thể minh chứng cho vai trò quan trọng hoặc sự phổ biến cao của các địa phương này trong tổng thể dữ liệu. Ngược lại, một số địa phương như Guadalajara, San Francisco, và Victoria có tỉ lệ thấp hơn nhiều, chỉ khoảng dưới 1.5%, cho thấy sự phân bố dữ liệu tại các vùng này tương đối hạn chế hoặc ít được đại diện trong mẫu.các giá trị này dao động từ mức thấp nhất khoảng 0.0053 (Camacho) đến mức cao nhất gần 0.0986 (Salem), cho thấy sự khác biệt khá lớn về mức độ xuất hiện của từng khu vực. Một số thành phố lớn như Los Angeles, Seattle, San Diego và Portland có tỉ lệ khá cao, đều trên 6%.
Biến StateorProvince
Tần số
table(data$StateorProvince)##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## 809 2733 815 383 75 2262 464 4567
## Yucatan Zacatecas
## 654 1297Tần suất
table(data$StateorProvince) / sum(table(data$StateorProvince))##
## BC CA DF Guerrero Jalisco OR
## 0.057543211 0.194395049 0.057969984 0.027242336 0.005334661 0.160893378
## Veracruz WA Yucatan Zacatecas
## 0.033003770 0.324845295 0.046518245 0.092254072Biểu đồ cột
ggplot(data = data, aes(x = StateorProvince)) +
geom_bar(fill = "lightgray", color = "black", width = 0.4) +
theme_minimal(base_size = 14)
ggplot(data = data, aes(x = StateorProvince)) +
geom_bar(aes(y = (..count..) / sum(..count..)),
fill = "lightgray", color = "black", width = 0.4) +
ylab('%') + xlab('StateorProvince') +
theme_minimal(base_size = 14)
Biểu đồ tròn
library(ggrepel)
state_count <- data %>%
count(StateorProvince) %>%
mutate(prop = n / sum(n),
label = paste0(percent(prop)))
ggplot(state_count, aes(x = "", y = prop, fill = StateorProvince)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text_repel(
aes(label = label),
position = position_stack(vjust = 0.5),
size = 2.3,
show.legend = FALSE,
box.padding = 0.2
) +
scale_fill_brewer(palette = "Pastel1") +
theme_minimal(base_size = 14) +
theme(legend.position = "right") +
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank()
)
ProductFamily
Bảng tần số
table(data$ProductFamily)##
## Drink Food Non-Consumable
## 1250 10153 2656Bảng tần suất
table(data$ProductFamily)/length(data$ProductFamily)##
## Drink Food Non-Consumable
## 0.08891102 0.72217085 0.18891813Biểu đồ cột
library(ggplot2)
ggplot(data = data, aes(x = ProductFamily)) +
geom_bar(fill = "lightyellow", color = "black", width = 0.4) +
theme_minimal(base_size = 14)
ggplot(data = data, aes(x = ProductFamily)) +
geom_bar(aes(y = (..count..) / sum(..count..)),
fill = "lightyellow", color = "black", width = 0.4) +
ylab('%') + xlab('ProductFamilly') +
theme_minimal(base_size = 14)
Biểu đồ tròn
data$ProductFamily <- factor(data$ProductFamily)
product_count <- data %>%
count(ProductFamily) %>%
mutate(prop = n / sum(n),
label = paste0(scales::percent(prop)))
ggplot(product_count, aes(x = "", y = prop, fill = ProductFamily)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5), size = 4) +
scale_fill_brewer(palette = "Pastel1") +
theme_minimal(base_size = 14) +
theme(legend.position = "right") +
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank()
)
Nhận xét: phần lớn sản phẩm được tiêu thụ thuộc nhóm Food (thực phẩm), chiếm tới 72% tổng số giao dịch. Nhóm này bao gồm các mặt hàng thiết yếu hàng ngày như rau củ, thịt, sữa và thực phẩm đóng gói – phản ánh rõ xu hướng tiêu dùng tập trung vào nhu cầu cơ bản. Nhóm Non-Consumable (hàng không tiêu dùng) chiếm 19%, cho thấy vẫn có một phần đáng kể khách hàng quan tâm đến các sản phẩm như đồ dùng gia đình, vệ sinh cá nhân, v.v. Trong khi đó, Drink (đồ uống) chỉ chiếm 9%, là tỷ lệ thấp nhất trong ba nhóm.
Biến ProductDepartment
Tần số
table(data$ProductDepartment)##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 356 425 1072 680
## Breakfast Foods Canned Foods Canned Products Carousel
## 188 977 109 59
## Checkout Dairy Deli Eggs
## 82 903 699 198
## Frozen Foods Health and Hygiene Household Meat
## 1382 893 1420 89
## Periodicals Produce Seafood Snack Foods
## 202 1994 102 1600
## Snacks Starchy Foods
## 352 277Tần suất
table(data$ProductDepartment) / sum(table(data$ProductDepartment))##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 0.025321858 0.030229746 0.076250089 0.048367594
## Breakfast Foods Canned Foods Canned Products Carousel
## 0.013372217 0.069492852 0.007753041 0.004196600
## Checkout Dairy Deli Eggs
## 0.005832563 0.064229319 0.049719041 0.014083505
## Frozen Foods Health and Hygiene Household Meat
## 0.098300021 0.063518031 0.101002916 0.006330464
## Periodicals Produce Seafood Snack Foods
## 0.014368020 0.141830856 0.007255139 0.113806103
## Snacks Starchy Foods
## 0.025037343 0.019702682Biến ProductCategory
Tần số
table(data$ProductCategory)##
## Baking Goods Bathroom Products Beer and Wine
## 484 365 356
## Bread Breakfast Foods Candles
## 425 417 45
## Candy Canned Anchovies Canned Clams
## 352 44 53
## Canned Oysters Canned Sardines Canned Shrimp
## 35 40 38
## Canned Soup Canned Tuna Carbonated Beverages
## 404 87 154
## Cleaning Supplies Cold Remedies Dairy
## 189 93 903
## Decongestants Drinks Eggs
## 85 135 198
## Electrical Frozen Desserts Frozen Entrees
## 355 323 118
## Fruit Hardware Hot Beverages
## 765 129 226
## Hygiene Jams and Jellies Kitchen Products
## 197 588 217
## Magazines Meat Miscellaneous
## 202 761 42
## Packaged Vegetables Pain Relievers Paper Products
## 48 192 345
## Pizza Plastic Products Pure Juice Beverages
## 194 141 165
## Seafood Side Dishes Snack Foods
## 102 153 1600
## Specialty Starchy Foods Vegetables
## 289 277 1728Tần suất
table(data$ProductCategory) / sum(table(data$ProductCategory))##
## Baking Goods Bathroom Products Beer and Wine
## 0.034426346 0.025962017 0.025321858
## Bread Breakfast Foods Candles
## 0.030229746 0.029660716 0.003200797
## Candy Canned Anchovies Canned Clams
## 0.025037343 0.003129668 0.003769827
## Canned Oysters Canned Sardines Canned Shrimp
## 0.002489508 0.002845153 0.002702895
## Canned Soup Canned Tuna Carbonated Beverages
## 0.028736041 0.006188207 0.010953837
## Cleaning Supplies Cold Remedies Dairy
## 0.013443346 0.006614980 0.064229319
## Decongestants Drinks Eggs
## 0.006045949 0.009602390 0.014083505
## Electrical Frozen Desserts Frozen Entrees
## 0.025250729 0.022974607 0.008393200
## Fruit Hardware Hot Beverages
## 0.054413543 0.009175617 0.016075112
## Hygiene Jams and Jellies Kitchen Products
## 0.014012376 0.041823743 0.015434953
## Magazines Meat Miscellaneous
## 0.014368020 0.054129028 0.002987410
## Packaged Vegetables Pain Relievers Paper Products
## 0.003414183 0.013656732 0.024539441
## Pizza Plastic Products Pure Juice Beverages
## 0.013798990 0.010029163 0.011736254
## Seafood Side Dishes Snack Foods
## 0.007255139 0.010882709 0.113806103
## Specialty Starchy Foods Vegetables
## 0.020556227 0.019702682 0.122910591Nhận xét: nhóm Vegetables (rau củ) chiếm tỷ lệ cao nhất với 12.29%, theo sau là Snack Foods (đồ ăn vặt) với 11.38%, và Dairy (sản phẩm từ sữa) ở mức 6.42%. Đây đều là các mặt hàng thiết yếu và có tần suất tiêu dùng cao, thường xuất hiện trong giỏ hàng mua sắm hàng ngày. Một số nhóm khác cũng có tỷ trọng đáng chú ý như Fruit (trái cây) chiếm 5.44%, Meat (thịt) chiếm 5.41%, và Jams and Jellies (mứt) chiếm 4.18%, cho thấy khách hàng có xu hướng tiêu dùng thực phẩm tươi sống hoặc chế biến sẵn nhiều hơn các mặt hàng khác. Trong khi đó, các sản phẩm như Canned Seafood (cá/hải sản đóng hộp), Candles, Miscellaneous, hay các sản phẩm rất đặc thù như Canned Oysters hoặc Canned Sardines đều có tỷ lệ dưới 1%, phản ánh rằng chúng chỉ phục vụ cho một số nhóm khách hàng nhỏ hoặc nhu cầu không thường xuyên.
`