Nhiệm vụ 19.5
Lê Thị Thanh Phú
2025-05-21
I. Đọc dữ liệu
II. Chọn các biến định tính và kiểm tra lại
## [1] "X" "PurchaseDate" "CustomerID"
## [4] "Gender" "MaritalStatus" "Homeowner"
## [7] "Children" "AnnualIncome" "City"
## [10] "StateorProvince" "Country" "ProductFamily"
## [13] "ProductDepartment" "ProductCategory" "UnitsSold"
## [16] "Revenue"| Gender | MaritalStatus | Homeowner | City | StateorProvince | Country | ProductFamily | ProductDepartment | ProductCategory |
|---|---|---|---|---|---|---|---|---|
| F | S | Y | Los Angeles | CA | USA | Food | Snack Foods | Snack Foods |
| M | M | Y | Los Angeles | CA | USA | Food | Produce | Vegetables |
| F | M | N | Bremerton | WA | USA | Food | Snack Foods | Snack Foods |
| M | M | Y | Portland | OR | USA | Food | Snacks | Candy |
| F | S | Y | Beverly Hills | CA | USA | Drink | Beverages | Carbonated Beverages |
| F | M | Y | Beverly Hills | CA | USA | Food | Deli | Side Dishes |
III. Lập bảng tần số, tần suất và vẽ biểu đồ
3.1. Biến Gender
table(d$Gender)##
## F M
## 7170 6889tmp <- table(d$Gender)/sum(nrow(d))
tmp##
## F M
## 0.5099936 0.4900064Vậy bộ dữ liệu này có 50.9993598 % là nữ và 49.0006402 % là nam
# Tính tần suất và phần trăm
df_gender <- d %>%
count(Gender) %>%
mutate(prop = n / sum(n),
pct = paste0(round(prop * 100), "%"))
# Vẽ biểu đồ cột
ggplot(df_gender, aes(x = Gender, y = n, fill = Gender)) +
geom_bar(stat = "identity", width = 0.6, color = "black") + # Viền đen quanh cột
scale_fill_manual(values = c("M" = "yellow", "F" = "pink")) + # Màu theo Gender
geom_text(aes(label = pct), vjust = -0.5, size = 5) + # Hiển thị % trên cột
labs(title = "Bar Plot - Gender", x = "Gender", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5)
)
# Tính tần suất
df_gender <- d %>%
count(Gender) %>%
mutate(prop = n / sum(n),
pct = paste0(round(prop * 100), "%"))
# Vẽ biểu đồ tròn
ggplot(df_gender, aes(x = "", y = prop, fill = Gender)) +
geom_bar(stat = "identity", width = 1, color = "black") + # Viền đen quanh miếng
coord_polar("y", start = 0) + # Biểu đồ hình tròn
scale_fill_manual(values = c("M" = "yellow", "F" = "pink")) + # Màu theo Gender
geom_text(aes(label = pct), position = position_stack(vjust = 0.5)) + # Hiện % ở giữa
labs(title = "Pie Chart - Gender", x = NULL, y = NULL, fill = "Gender") +
theme_minimal(base_size = 14) +
theme(
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid = element_blank(),
plot.title = element_text(face = "bold", hjust = 0.5)
)
Biến Gender: Biến này phản ánh giới tính của khách hàng với hai giá trị: nam (M) và nữ (F). Trong tổng số 14.059 quan sát, số lượng nữ là 7.170 người (chiếm 51%), còn nam là 6.889 người (49%). Tỷ lệ này cho thấy giới tính trong mẫu dữ liệu khá cân đối, không có sự chênh lệch đáng kể giữa hai nhóm.
3.2. Biến MaritalStatus
table(d$MaritalStatus)##
## M S
## 6866 7193tmp <- table(d$MaritalStatus)/sum(nrow(d))
tmp##
## M S
## 0.4883704 0.5116296df_marital <- d %>%
count(MaritalStatus)
ggplot(df_marital, aes(x = reorder(MaritalStatus, -n), y = n, fill = MaritalStatus)) +
geom_bar(stat = "identity", color = "black", width = 0.7) + # Viền đen
scale_fill_brewer(palette = "Set2") + # Màu tự động đẹp
labs(title = "Bar Plot - Marital Status", x = "Marital Status", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5),
axis.text = element_text(color = "black"),
axis.title = element_text(face = "bold")
)
df_marital <- d %>%
count(MaritalStatus) %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_marital, aes(x = "", y = n, fill = MaritalStatus)) +
geom_bar(stat = "identity", width = 1, color = "black") + # Viền đen
coord_polar("y", start = 0) +
theme_void(base_size = 14) +
scale_fill_brewer(palette = "Set2") + # Bảng màu tự động đẹp
labs(title = "Pie Chart - Marital Status") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5)) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5)
)
Biến MaritalStatus: Phản ánh tình trạng hôn nhân của khách hàng. Trong dữ liệu, có 7.193 người độc thân (51.16%) và 6.866 người đã kết hôn (48.84%). Mặc dù tỷ lệ khá cân bằng, nhưng nhóm độc thân chiếm ưu thế nhẹ.
3.3. Biến Homeowner
table(d$Homeowner)##
## N Y
## 5615 8444tmp <- table(d$Homeowner)/sum(nrow(d))
tmp##
## N Y
## 0.3993883 0.6006117df_home <- d %>%
count(Homeowner)
ggplot(df_home, aes(x = reorder(Homeowner, -n), y = n, fill = Homeowner)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_manual(values = c("Y" = "#FFD1DC", "N" = "#D8EEDF")) +
labs(title = "Bar Plot - Homeowner", x = "Homeowner", y = "Frequency") +
theme_minimal(base_size = 14) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5)
)
df_home <- df_home %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_home, aes(x = "", y = n, fill = Homeowner)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") +
theme_void() +
scale_fill_manual(values = c("Y" = "#FFD1DC", "N" = "#D8EEDF")) +
labs(title = "Pie Chart - Homeowner") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến Homeowner: Thể hiện việc khách hàng có sở hữu nhà ở hay không. Có 8.444 người (60.06%) có nhà và 5.615 người (39.94%) không có nhà. Điều này cho thấy phần lớn khách hàng trong tập dữ liệu có điều kiện kinh tế tương đối ổn định.
3.4. Biến City
table(d$City)##
## Acapulco Bellingham Beverly Hills Bremerton Camacho
## 383 143 811 834 452
## Guadalajara Hidalgo Los Angeles Merida Mexico City
## 75 845 926 654 194
## Orizaba Portland Salem San Andres San Diego
## 464 876 1386 621 866
## San Francisco Seattle Spokane Tacoma Vancouver
## 130 922 875 1257 633
## Victoria Walla Walla Yakima
## 176 160 376tmp <- table(d$City)/sum(nrow(d))
tmp##
## 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 0.026744434df_city <- d %>%
count(City)
ggplot(df_city, aes(x = reorder(City, -n), y = n, fill = City)) +
geom_bar(stat = "identity", width = 1, color = "black") +
labs(title = "Bar Plot - City", x = "City", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1, face = "italic") # xoay 45 độ + nghiêng
)
df_city <- df_city %>%
mutate(Percent = round(100 * n / sum(n), 2),
label = ifelse(Percent > 5, paste0(Percent, "%"), ""))
ggplot(df_city, aes(x = "", y = n, fill = City)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
theme_void() +
labs(title = "Pie Chart - City") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5), size = 3)
Biến City: Phản ánh nơi sinh sống của khách hàng theo thành phố. Dữ liệu ghi nhận 23 thành phố, trong đó Bremerton (5.93%), Beverly Hills (5.77%) và Camacho (3.22%) là các khu vực có lượng khách hàng cao hơn hẳn. Phân bố khách hàng giữa các thành phố cho thấy sự đa dạng về mặt địa lý.
3.5. Biến StateorProvince
table(d$StateorProvince)##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## 809 2733 815 383 75 2262 464 4567
## Yucatan Zacatecas
## 654 1297tmp <- table(d$StateorProvince)/sum(nrow(d))
tmp##
## 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 0.092254072# Bước 1: Tạo biến df_state bằng cách đếm số lượng từng bang/tỉnh
df_state <- d%>%
count(StateorProvince, name = "n")
# Bước 2: Vẽ biểu đồ cột
ggplot(df_state, aes(x = reorder(StateorProvince, -n), y = n, fill = StateorProvince)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_brewer(palette = "Set3") +
labs(title = "Bar Plot - State or Province", x = "State/Province", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5),
axis.text.x = element_text(angle = 45, hjust = 1)
)
Biến StateorProvince: Cho biết tên bang hoặc tỉnh nơi khách hàng cư trú. California (CA) có tỷ lệ cao nhất (19.44%), tiếp theo là Distrito Federal (DF) với 5.8%. Một số khu vực khác như Jalisco hay Guerrero chỉ chiếm tỷ lệ nhỏ, dưới 3%, cho thấy khách hàng tập trung ở một số bang nhất định.
3.6. Biến Country
table(d$Country)##
## Canada Mexico USA
## 809 3688 9562tmp <- table(d$Country)/sum(nrow(d))
tmp##
## Canada Mexico USA
## 0.05754321 0.26232307 0.68013372df_country <- d %>%
count(Country)
ggplot(df_country, aes(x = reorder(Country, -n), y = n, fill = Country)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_manual(values = c(
"USA" = "#FFD54F",
"Mexico" = "#4DB6AC",
"Canada" = "#BA68C8"
# Thêm màu cho các nước khác ở đây
)) +
labs(title = "Bar Plot - Country", x = "Country", y = "Frequency") +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", hjust = 0.5)
)
df_country <- df_country %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_country, aes(x = "", y = n, fill = Country)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") +
theme_void() +
scale_fill_manual(values = c(
"USA" = "#FFD54F",
"Mexico" = "#4DB6AC",
"Canada" = "#BA68C8"
# Thêm màu cho các nước khác ở đây
)) +
labs(title = "Pie Chart - Country") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến Country: Thể hiện quốc gia cư trú của khách hàng. Hoa Kỳ chiếm đa số với 68.01%, kế đến là Mexico (26.23%) và Canada (5.75%). Sự chênh lệch lớn giữa các quốc gia cho thấy mẫu dữ liệu nghiêng về phía khách hàng từ Mỹ, điều này cần lưu ý trong quá trình phân tích.
3.7. Biến ProductFamily
table(d$ProductFamily)##
## Drink Food Non-Consumable
## 1250 10153 2656tmp <- table(d$ProductFamily)/sum(nrow(d))
tmp##
## Drink Food Non-Consumable
## 0.08891102 0.72217085 0.18891813df_family <- d %>%
count(ProductFamily)
ggplot(df_family, aes(x = reorder(ProductFamily, -n), y = n, fill = ProductFamily)) +
geom_bar(stat = "identity", width = 1, color = "black") +
labs(title = "Bar Plot - Product Family", x = "Product Family", y = "Frequency") +
theme_minimal() + theme(legend.position = "none")
df_family <- df_family %>%
mutate(Percent = round(100 * n / sum(n), 2))
ggplot(df_family, aes(x = "", y = n, fill = ProductFamily)) +
geom_bar(stat = "identity", width = 1, color = "black") +
coord_polar("y") + theme_void() +
labs(title = "Pie Chart - Product Family") +
geom_text(aes(label = paste0(Percent, "%")), position = position_stack(vjust = 0.5))
Biến ProductFamily: Chia sản phẩm thành ba nhóm chính: Food, Drink và Non-Consumable. Nhóm Food chiếm tỷ lệ cao nhất với 72.22%, tiếp theo là Non-Consumable (18.89%) và Drink (8.89%). Đây là dấu hiệu cho thấy sản phẩm thực phẩm đóng vai trò chủ đạo trong tiêu dùng.
3.8. Biến ProductDepartment
table(d$ProductDepartment)##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 356 425 1072 680
## Breakfast Foods Canned Foods Canned Products Carousel
## 188 977 109 59
## Checkout Dairy Deli Eggs
## 82 903 699 198
## Frozen Foods Health and Hygiene Household Meat
## 1382 893 1420 89
## Periodicals Produce Seafood Snack Foods
## 202 1994 102 1600
## Snacks Starchy Foods
## 352 277tmp <- table(d$ProductDepartment)/sum(nrow(d))
tmp##
## 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 0.019702682df_department <- d %>%
count(ProductDepartment)
# Tạo màu cho từng nhóm
colors <- setNames(scales::hue_pal()(nrow(df_department)), df_department$ProductDepartment)
# Biểu đồ cột màu đầy đủ
ggplot(df_department, aes(x = reorder(ProductDepartment, -n), y = n, fill = ProductDepartment)) +
geom_bar(stat = "identity", color = "black") +
scale_fill_manual(values = colors) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Bar Plot - Product Department", x = "Product Department", y = "Frequency")
Biến Product Department: Cho thấy Produce (Rau củ quả) là nhóm sản phẩm có tần suất cao nhất (14.18%), tiếp theo là Snack Foods (11.38%) và Frozen Foods (9.83%), phản ánh nhu cầu tiêu dùng lớn và thường xuyên. Các nhóm như Household (10.1%) và Baking Goods (7.63%) cũng có mức tiêu thụ khá. Ngược lại, các nhóm như Meat (0.63%), Checkout (0.58%), và Seafood (0.73%) có tần suất thấp, cho thấy mức độ mua sắm hạn chế. Sự phân bố này giúp doanh nghiệp xác định các nhóm sản phẩm chủ lực để ưu tiên phát triển, đồng thời cân nhắc chiến lược với các nhóm ít phổ biến.
3.9. Biến ProductCategory
table(d$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 1728tmp <- table(d$ProductCategory)/sum(nrow(d))
tmp##
## 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 0.122910591df_cat <- d %>%
count(ProductCategory)
ggplot(df_cat, aes(x = reorder(ProductCategory, -n), y = n, fill = ProductCategory)) +
geom_bar(stat = "identity", color = "black") +
labs(title = "Bar Plot - Product Category", x = "Product Category", y = "Frequency") +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1, face = "italic") # xoay 45 độ + nghiêng
)
Biến ProductCategory: Là cấp độ phân loại chi tiết nhất trong sản phẩm. Các danh mục phổ biến gồm Baking Goods (3.44%), Bread (3.02%) và Beer and Wine (2.53%). Mặc dù tỷ lệ không cao, nhưng tổng thể các danh mục thể hiện cấu trúc sản phẩm phong phú, đáp ứng nhiều loại nhu cầu tiêu dùng.