Nhiệm vụ tuần 2
Nguyễn Mai Hà Quyên
2025-05-26
1. Đọc và làm quen dữ liệu
Cài đặt các gói cần thiết
installed.packages("tidyverse")## Package LibPath Version Priority Depends Imports LinkingTo Suggests
## Enhances License License_is_FOSS License_restricts_use OS_type Archs
## MD5sum NeedsCompilation Builtlibrary(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── 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 errorsinstall.packages("readr")## Warning: package 'readr' is in use and will not be installedlibrary(readr)
# Đọc dữ liệu
data <- read_csv("Supermarket Transactions.csv")## New names:
## Rows: 14059 Columns: 16
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," chr
## (10): Gender, MaritalStatus, Homeowner, AnnualIncome, City, StateorProv... dbl
## (5): ...1, CustomerID, Children, UnitsSold, Revenue date (1): PurchaseDate
## ℹ Use `spec()` to retrieve the full column specification for this data. ℹ
## Specify the column types or set `show_col_types = FALSE` to quiet this message.
## • `` -> `...1`# Hiển thị cấu trúc dữ liệu
str(data)## spc_tbl_ [14,059 × 16] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ ...1 : num [1:14059] 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : Date[1:14059], format: "2007-12-18" "2007-12-20" ...
## $ CustomerID : num [1:14059] 7223 7841 8374 9619 1900 ...
## $ Gender : chr [1:14059] "F" "M" "F" "M" ...
## $ MaritalStatus : chr [1:14059] "S" "M" "M" "M" ...
## $ Homeowner : chr [1:14059] "Y" "Y" "N" "Y" ...
## $ Children : num [1:14059] 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr [1:14059] "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr [1:14059] "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr [1:14059] "CA" "CA" "WA" "OR" ...
## $ Country : chr [1:14059] "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr [1:14059] "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr [1:14059] "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr [1:14059] "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : num [1:14059] 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num [1:14059] 27.38 14.9 5.52 4.44 14 ...
## - attr(*, "spec")=
## .. cols(
## .. ...1 = col_double(),
## .. PurchaseDate = col_date(format = ""),
## .. CustomerID = col_double(),
## .. Gender = col_character(),
## .. MaritalStatus = col_character(),
## .. Homeowner = col_character(),
## .. Children = col_double(),
## .. AnnualIncome = col_character(),
## .. City = col_character(),
## .. StateorProvince = col_character(),
## .. Country = col_character(),
## .. ProductFamily = col_character(),
## .. ProductDepartment = col_character(),
## .. ProductCategory = col_character(),
## .. UnitsSold = col_double(),
## .. Revenue = col_double()
## .. )
## - attr(*, "problems")=<externalptr>Dữ liệu bao gồm: 14059 quan sát và 16 biến.
# Hiển thị một vài dòng đầu và cuối của dữ liệu
head(data)## # A tibble: 6 × 16
## ...1 PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## <dbl> <date> <dbl> <chr> <chr> <chr> <dbl>
## 1 1 2007-12-18 7223 F S Y 2
## 2 2 2007-12-20 7841 M M Y 5
## 3 3 2007-12-21 8374 F M N 2
## 4 4 2007-12-21 9619 M M Y 3
## 5 5 2007-12-22 1900 F S Y 3
## 6 6 2007-12-22 6696 F M Y 3
## # ℹ 9 more variables: AnnualIncome <chr>, City <chr>, StateorProvince <chr>,
## # Country <chr>, ProductFamily <chr>, ProductDepartment <chr>,
## # ProductCategory <chr>, UnitsSold <dbl>, Revenue <dbl>tail(data)## # A tibble: 6 × 16
## ...1 PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## <dbl> <date> <dbl> <chr> <chr> <chr> <dbl>
## 1 14054 2009-12-29 2032 F M N 3
## 2 14055 2009-12-29 9102 F M Y 2
## 3 14056 2009-12-29 4822 F M Y 3
## 4 14057 2009-12-31 250 M S Y 1
## 5 14058 2009-12-31 6153 F S N 4
## 6 14059 2009-12-31 3656 M S N 3
## # ℹ 9 more variables: AnnualIncome <chr>, City <chr>, StateorProvince <chr>,
## # Country <chr>, ProductFamily <chr>, ProductDepartment <chr>,
## # ProductCategory <chr>, UnitsSold <dbl>, Revenue <dbl># Kiểm tra giá trị thiếu (NA)
sum(is.na(data))## [1] 0Trong bộ dữ liệu không có giá thiếu (NA).
# Chuyển các biến cần thiết sang kiểu factor
factor_vars <- c("Gender", "MaritalStatus", "Homeowner", "AnnualIncome",
"City", "StateorProvince", "Country",
"ProductFamily", "ProductDepartment", "ProductCategory")
data[factor_vars] <- lapply(data[factor_vars], as.factor)
# Kiểm tra lại cấu trúc dữ liệu
str(data)## spc_tbl_ [14,059 × 16] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ ...1 : num [1:14059] 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : Date[1:14059], format: "2007-12-18" "2007-12-20" ...
## $ CustomerID : num [1:14059] 7223 7841 8374 9619 1900 ...
## $ Gender : Factor w/ 2 levels "F","M": 1 2 1 2 1 1 2 1 2 2 ...
## $ MaritalStatus : Factor w/ 2 levels "M","S": 2 1 1 1 2 1 2 1 1 2 ...
## $ Homeowner : Factor w/ 2 levels "N","Y": 2 2 1 2 2 2 2 2 2 1 ...
## $ Children : num [1:14059] 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : Factor w/ 8 levels "$10K - $30K",..: 5 7 6 5 3 1 5 4 1 6 ...
## $ City : Factor w/ 23 levels "Acapulco","Bellingham",..: 8 8 4 12 3 3 13 23 2 15 ...
## $ StateorProvince : Factor w/ 10 levels "BC","CA","DF",..: 2 2 8 6 2 2 6 8 8 2 ...
## $ Country : Factor w/ 3 levels "Canada","Mexico",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ ProductFamily : Factor w/ 3 levels "Drink","Food",..: 2 2 2 2 1 2 2 2 3 3 ...
## $ ProductDepartment: Factor w/ 22 levels "Alcoholic Beverages",..: 20 18 20 21 4 11 13 6 15 14 ...
## $ ProductCategory : Factor w/ 45 levels "Baking Goods",..: 42 45 42 7 15 41 5 13 16 35 ...
## $ UnitsSold : num [1:14059] 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num [1:14059] 27.38 14.9 5.52 4.44 14 ...
## - attr(*, "spec")=
## .. cols(
## .. ...1 = col_double(),
## .. PurchaseDate = col_date(format = ""),
## .. CustomerID = col_double(),
## .. Gender = col_character(),
## .. MaritalStatus = col_character(),
## .. Homeowner = col_character(),
## .. Children = col_double(),
## .. AnnualIncome = col_character(),
## .. City = col_character(),
## .. StateorProvince = col_character(),
## .. Country = col_character(),
## .. ProductFamily = col_character(),
## .. ProductDepartment = col_character(),
## .. ProductCategory = col_character(),
## .. UnitsSold = col_double(),
## .. Revenue = col_double()
## .. )
## - attr(*, "problems")=<externalptr>2.Phân tích mô tả một biến định tính
2.1 Biến Gender
# Bảng tần số và tần suất
library(dplyr)
gender_freq <- data %>%
count(Gender) %>%
mutate(
Gender = factor(Gender, levels = c("F", "M"), labels = c("Nữ", "Nam")),
`Tần số` = n,
`Tần suất (%)` = round(n / sum(n) * 100, 2)
) %>%
select(Giới_tính = Gender, `Tần số`, `Tần suất (%)`)
gender_freq## # A tibble: 2 × 3
## Giới_tính `Tần số` `Tần suất (%)`
## <fct> <int> <dbl>
## 1 Nữ 7170 51
## 2 Nam 6889 49# Vẽ biểu đồ
library(ggplot2)
library(dplyr)
gender_freq <- data %>%
count(Gender) %>%
mutate(Gender = factor(Gender, levels = c("F", "M"), labels = c("Nữ", "Nam")))
ggplot(gender_freq, aes(x = Gender, y = n)) +
geom_bar(stat = "identity", fill = "skyblue", color = "black") +
geom_text(aes(label = n), vjust = -0.5, size = 5) +
labs(
title = "Biểu đồ Tần suất Giới tính Khách hàng",
x = "Giới tính",
y = "Tần suất (số lượng)",
caption = "Nam = M, Nữ = F"
) +
theme_minimal()
2.2 Biến MaritalStatus
# Bảng tần số và tần suất
MaritalStatus_freq <- data %>%
count(MaritalStatus) %>%
mutate(
MaritalStatus = factor(MaritalStatus, levels = c("S", "M"), labels = c("Kết hôn", "Độc thân")),
"Tần số" = n,
"Tần suất (%)" = round(n / sum(n) * 100, 2)
) %>%
select(Tỷ_lệ_độc_thân = MaritalStatus, "Tần số", "Tần suất (%)")
MaritalStatus_freq## # A tibble: 2 × 3
## Tỷ_lệ_độc_thân `Tần số` `Tần suất (%)`
## <fct> <int> <dbl>
## 1 Độc thân 6866 48.8
## 2 Kết hôn 7193 51.2 # Vẽ biểu đồ
MaritalStatus_freq <- data.frame(
MaritalStatus = c("Độc thân", "Kết hôn"),
Frequency = c(6866, 7193)
)
ggplot(MaritalStatus_freq, aes(x = MaritalStatus, y = Frequency)) +
geom_bar(stat = "identity", fill = "skyblue", color = "black") +
geom_text(aes(label = Frequency), vjust = -0.5, size = 5) +
labs(
title = "Biểu đồ tình trạng độc thân",
x = "Tình trạng",
y = "Tần suất",
caption = "Độc thân = M, Kết hôn = S"
) +
theme_minimal()
2.3 Biến Homeowner
# Bảng tần số và tần suất
Homeowner_freq <- data %>%
count(Homeowner) %>%
mutate(
Homeowner = factor(Homeowner, levels = c("Y", "N"), labels = c("Có", "Không")),
"Tần số" = n,
"Tần suất (%)" = round(n / sum(n) * 100, 2)
) %>%
select(Trạng_thái_sở_hữu_nhà = Homeowner, "Tần số", "Tần suất (%)")
Homeowner_freq## # A tibble: 2 × 3
## Trạng_thái_sở_hữu_nhà `Tần số` `Tần suất (%)`
## <fct> <int> <dbl>
## 1 Không 5615 39.9
## 2 Có 8444 60.1# Vẽ biểu đồ
Homeowner_freq <- data.frame(
Homeowner = c("Có", "Không"),
Frequency = c(5615, 8444)
)
ggplot(Homeowner_freq, aes(x =Homeowner, y = Frequency)) +
geom_bar(stat = "identity", fill = "skyblue", color = "black") +
geom_text(aes(label = Frequency), vjust = -0.5, size = 5) +
labs(
title = "Biểu đồ tình trạng sở hữu nhà",
x = "Tình trạng",
y = "Tần suất ",
caption = "Có = Y, Không = N"
) +
theme_minimal()
2.4 Biến AnnualIncome
# Bảng tần số và tần suất
AnnualIncome_levels <- c(
"$10K - $30K", "$30K - $50K", "$50K - $70K", "$70K - $90K",
"$90K - $110K", "$110K - $130K", "$130K - $150K", "$150K +"
)
AnnualIncome_freq <- data %>%
mutate(AnnualIncome = factor(AnnualIncome, levels = AnnualIncome_levels)) %>%
count(AnnualIncome) %>%
mutate(
Tan_so = n,
Tan_suat = round(n / sum(n) * 100, 2)
) %>%
select(Muc_thu_nhap = AnnualIncome, Tan_so, Tan_suat)
AnnualIncome_freq## # A tibble: 8 × 3
## Muc_thu_nhap Tan_so Tan_suat
## <fct> <int> <dbl>
## 1 $10K - $30K 3090 22.0
## 2 $30K - $50K 4601 32.7
## 3 $50K - $70K 2370 16.9
## 4 $70K - $90K 1709 12.2
## 5 $90K - $110K 613 4.36
## 6 $110K - $130K 643 4.57
## 7 $130K - $150K 760 5.41
## 8 $150K + 273 1.94# Vẽ biểu đồ
ggplot(AnnualIncome_freq, aes(x = Muc_thu_nhap, y = Tan_so)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = Tan_so), vjust = -0.5, size = 4) +
labs(
title = "Tần số theo mức thu nhập",
x = "Mức thu nhập",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
##2.5 Biến City
# Bảng tần số và tần suất
City_levels <- c(
"Acapulco", "Bellingham", "Beverly Hills", "Bremerton",
"Camacho", "Guadalajara", "Hidalgo", "Los Angeles","Merida","Mexico City","Orizaba","Portland","Salem","San Andres","San Diego","San Francisco","Seattle","Spokane","Tacoma","Vancouver","Victoria","Walla Walla","Yakima"
)
City_freq <- data %>%
mutate(City = factor(City, levels = City_levels)) %>%
count(City) %>%
mutate(
TanSo = n,
TanSuat = round(n / sum(n) * 100, 2)
) %>%
select(ThanhPho = City, TanSo, TanSuat)
City_freq## # A tibble: 23 × 3
## ThanhPho TanSo TanSuat
## <fct> <int> <dbl>
## 1 Acapulco 383 2.72
## 2 Bellingham 143 1.02
## 3 Beverly Hills 811 5.77
## 4 Bremerton 834 5.93
## 5 Camacho 452 3.22
## 6 Guadalajara 75 0.53
## 7 Hidalgo 845 6.01
## 8 Los Angeles 926 6.59
## 9 Merida 654 4.65
## 10 Mexico City 194 1.38
## # ℹ 13 more rowsprint(City_freq, n = 23)## # A tibble: 23 × 3
## ThanhPho TanSo TanSuat
## <fct> <int> <dbl>
## 1 Acapulco 383 2.72
## 2 Bellingham 143 1.02
## 3 Beverly Hills 811 5.77
## 4 Bremerton 834 5.93
## 5 Camacho 452 3.22
## 6 Guadalajara 75 0.53
## 7 Hidalgo 845 6.01
## 8 Los Angeles 926 6.59
## 9 Merida 654 4.65
## 10 Mexico City 194 1.38
## 11 Orizaba 464 3.3
## 12 Portland 876 6.23
## 13 Salem 1386 9.86
## 14 San Andres 621 4.42
## 15 San Diego 866 6.16
## 16 San Francisco 130 0.92
## 17 Seattle 922 6.56
## 18 Spokane 875 6.22
## 19 Tacoma 1257 8.94
## 20 Vancouver 633 4.5
## 21 Victoria 176 1.25
## 22 Walla Walla 160 1.14
## 23 Yakima 376 2.67# Vẽ biểu đồ
ggplot(City_freq, aes(x = ThanhPho, y = TanSo)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = TanSo), vjust = -0.5, size = 4) +
labs(
title = "Số lượng khách hàng tại các thành phố",
x = "Thành phố",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 70, hjust = 1))
2.6 Biến StateorProvince
# Bảng tần số và tần suất
StateorProvince_levels <- c(
"BC", "CA", "DF", "Guerrero",
"Jalisco", "OR", "Veracruz", "WA","Yucatan","Zacatecas"
)
StateorProvince_freq <- data %>%
mutate(StateorProvince = factor(StateorProvince, levels = StateorProvince_levels)) %>%
count(StateorProvince) %>%
mutate(
"Tần số" = n,
"Tần suất (%)" = round(n / sum(n) * 100, 2)
) %>%
select("Các Bang" =StateorProvince, "Tần số", "Tần suất (%)")
StateorProvince_freq## # A tibble: 10 × 3
## `Các Bang` `Tần số` `Tần suất (%)`
## <fct> <int> <dbl>
## 1 BC 809 5.75
## 2 CA 2733 19.4
## 3 DF 815 5.8
## 4 Guerrero 383 2.72
## 5 Jalisco 75 0.53
## 6 OR 2262 16.1
## 7 Veracruz 464 3.3
## 8 WA 4567 32.5
## 9 Yucatan 654 4.65
## 10 Zacatecas 1297 9.23print(StateorProvince_freq, n = 10)## # A tibble: 10 × 3
## `Các Bang` `Tần số` `Tần suất (%)`
## <fct> <int> <dbl>
## 1 BC 809 5.75
## 2 CA 2733 19.4
## 3 DF 815 5.8
## 4 Guerrero 383 2.72
## 5 Jalisco 75 0.53
## 6 OR 2262 16.1
## 7 Veracruz 464 3.3
## 8 WA 4567 32.5
## 9 Yucatan 654 4.65
## 10 Zacatecas 1297 9.23# Vẽ biểu đồ
ggplot(StateorProvince_freq, aes(x = `Các Bang`, y = `Tần số`)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = "Tần số"),
vjust = -0.5, size = 4) +
labs(
title = "Số lượng khách hàng tại các Bang",
x = "Các Bang",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
2.7 Biến Country
# Bảng tần số và tần suất
Country_levels <- c(
"Canada", "Mexico", "USA"
)
Country_freq <- data %>%
mutate(Country = factor(Country, levels = Country_levels)) %>%
count(Country) %>%
mutate(
TanSo = n,
TanSuat = round(n / sum(n) * 100, 2)
) %>%
select(QuocGia = Country, TanSo, TanSuat)
Country_freq## # A tibble: 3 × 3
## QuocGia TanSo TanSuat
## <fct> <int> <dbl>
## 1 Canada 809 5.75
## 2 Mexico 3688 26.2
## 3 USA 9562 68.0# Vẽ biểu đồ
ggplot(Country_freq, aes(x = QuocGia, y = TanSo)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = TanSo), vjust = -0.5, size = 4) +
labs(
title = "Số lượng khách hàng tại các Quốc gia",
x = "Quốc gia",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
2.8 Biến ProductFamily
# Bảng tần số và tần suất
ProductFamily_levels <- c(
"Food", "Drink", "Non-Consumable"
)
ProductFamily_freq <- data %>%
mutate(ProductFamily = factor(ProductFamily, levels = ProductFamily_levels)) %>%
count(ProductFamily) %>%
mutate(
TanSo = n,
TanSuat = round(n / sum(n) * 100, 2)
) %>%
select(NhomSanPham = ProductFamily, TanSo, TanSuat)
ProductFamily_freq## # A tibble: 3 × 3
## NhomSanPham TanSo TanSuat
## <fct> <int> <dbl>
## 1 Food 10153 72.2
## 2 Drink 1250 8.89
## 3 Non-Consumable 2656 18.9# Vẽ biểu đồ
ggplot(ProductFamily_freq, aes(x = NhomSanPham, y = TanSo)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = TanSo),
vjust = -0.5, size = 4) +
labs(
title = "Nhóm sản phẩm chủ yếu",
x = "Nhóm sản phẩm chủ yếu",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
2.9 Biến ProductDepartment
# Bảng tần số và tần suất
ProductDepartment_levels <- c(
"Alcoholic Beverages", "Baked Goods", "Baking Goods","Beverages","Breakfast Foods","Canned Foods","Canned Products","Carousel","Checkout","Dairy","Deli","Eggs","Frozen Foods","Health and Hygiene","Household","Meat","Periodicals","Produce","Seafood","Snack Foods","Snacks","Starchy Foods"
)
ProductDepartment_freq <- data %>%
mutate(ProductDepartment = factor(ProductDepartment, levels = ProductDepartment_levels)) %>%
count(ProductDepartment) %>%
mutate(
TanSo = n,
TanSuat = round(n / sum(n) * 100, 2)
) %>%
select(SanPham = ProductDepartment, TanSo, TanSuat)
ProductDepartment_freq## # A tibble: 22 × 3
## SanPham TanSo TanSuat
## <fct> <int> <dbl>
## 1 Alcoholic Beverages 356 2.53
## 2 Baked Goods 425 3.02
## 3 Baking Goods 1072 7.63
## 4 Beverages 680 4.84
## 5 Breakfast Foods 188 1.34
## 6 Canned Foods 977 6.95
## 7 Canned Products 109 0.78
## 8 Carousel 59 0.42
## 9 Checkout 82 0.58
## 10 Dairy 903 6.42
## # ℹ 12 more rowsprint(ProductDepartment_freq, n = 22)## # A tibble: 22 × 3
## SanPham TanSo TanSuat
## <fct> <int> <dbl>
## 1 Alcoholic Beverages 356 2.53
## 2 Baked Goods 425 3.02
## 3 Baking Goods 1072 7.63
## 4 Beverages 680 4.84
## 5 Breakfast Foods 188 1.34
## 6 Canned Foods 977 6.95
## 7 Canned Products 109 0.78
## 8 Carousel 59 0.42
## 9 Checkout 82 0.58
## 10 Dairy 903 6.42
## 11 Deli 699 4.97
## 12 Eggs 198 1.41
## 13 Frozen Foods 1382 9.83
## 14 Health and Hygiene 893 6.35
## 15 Household 1420 10.1
## 16 Meat 89 0.63
## 17 Periodicals 202 1.44
## 18 Produce 1994 14.2
## 19 Seafood 102 0.73
## 20 Snack Foods 1600 11.4
## 21 Snacks 352 2.5
## 22 Starchy Foods 277 1.97# Vẽ biểu đồ
ggplot(ProductDepartment_freq, aes(x = SanPham, y = TanSo)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = TanSo),
vjust = -0.5, size = 4) +
labs(
title = "Phòng ban sản phẩm",
x = "Sản phẩm",
y = "Tần số"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 60, hjust = 1))
2.10 Biến ProductCategory
# Bảng tần số và tần suất
ProductCategory_levels <- c(
"Baking Goods", "Bathroom Products", "Beer and Wine","Bread","Breakfast Foods","Candles","Candy","Canned Anchovies","Canned Clams","Canned Oysters","Canned Sardines","Canned Shrimp","Canned Soup","Canned Tuna","Carbonated Beverages","Cleaning Supplies","Cold Remedies","Dairy","Decongestants","Drinks","Eggs","Electrical","Frozen Desserts","Frozen Entrees","Fruit","Hardware","Hot Beverages","Hygiene","Jams and Jellies","Kitchen Products","Magazines","Meat","Miscellaneous","Packaged Vegetables","Pain Relievers","Paper Products","Pizza","Plastic Products","Pure Juice Beverages","Seafood","Side Dishes","Snack Foods","Specialty","Starchy Foods","Vegetables"
)
ProductCategory_freq <- data %>%
mutate(ProductCategory = factor(ProductCategory, levels = ProductCategory_levels)) %>%
count(ProductCategory) %>%
mutate(
TanSo = n,
TanSuat = round(n / sum(n) * 100, 2)
) %>%
select(SanPham = ProductCategory, TanSo, TanSuat)
ProductCategory_freq## # A tibble: 45 × 3
## SanPham TanSo TanSuat
## <fct> <int> <dbl>
## 1 Baking Goods 484 3.44
## 2 Bathroom Products 365 2.6
## 3 Beer and Wine 356 2.53
## 4 Bread 425 3.02
## 5 Breakfast Foods 417 2.97
## 6 Candles 45 0.32
## 7 Candy 352 2.5
## 8 Canned Anchovies 44 0.31
## 9 Canned Clams 53 0.38
## 10 Canned Oysters 35 0.25
## # ℹ 35 more rowsprint(ProductCategory_freq, n = 45)## # A tibble: 45 × 3
## SanPham TanSo TanSuat
## <fct> <int> <dbl>
## 1 Baking Goods 484 3.44
## 2 Bathroom Products 365 2.6
## 3 Beer and Wine 356 2.53
## 4 Bread 425 3.02
## 5 Breakfast Foods 417 2.97
## 6 Candles 45 0.32
## 7 Candy 352 2.5
## 8 Canned Anchovies 44 0.31
## 9 Canned Clams 53 0.38
## 10 Canned Oysters 35 0.25
## 11 Canned Sardines 40 0.28
## 12 Canned Shrimp 38 0.27
## 13 Canned Soup 404 2.87
## 14 Canned Tuna 87 0.62
## 15 Carbonated Beverages 154 1.1
## 16 Cleaning Supplies 189 1.34
## 17 Cold Remedies 93 0.66
## 18 Dairy 903 6.42
## 19 Decongestants 85 0.6
## 20 Drinks 135 0.96
## 21 Eggs 198 1.41
## 22 Electrical 355 2.53
## 23 Frozen Desserts 323 2.3
## 24 Frozen Entrees 118 0.84
## 25 Fruit 765 5.44
## 26 Hardware 129 0.92
## 27 Hot Beverages 226 1.61
## 28 Hygiene 197 1.4
## 29 Jams and Jellies 588 4.18
## 30 Kitchen Products 217 1.54
## 31 Magazines 202 1.44
## 32 Meat 761 5.41
## 33 Miscellaneous 42 0.3
## 34 Packaged Vegetables 48 0.34
## 35 Pain Relievers 192 1.37
## 36 Paper Products 345 2.45
## 37 Pizza 194 1.38
## 38 Plastic Products 141 1
## 39 Pure Juice Beverages 165 1.17
## 40 Seafood 102 0.73
## 41 Side Dishes 153 1.09
## 42 Snack Foods 1600 11.4
## 43 Specialty 289 2.06
## 44 Starchy Foods 277 1.97
## 45 Vegetables 1728 12.3# Vẽ biểu đồ
library(ggplot2)
library(stringr)
ggplot(ProductCategory_freq, aes(x = SanPham, y = TanSo)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = TanSo), hjust = -0.1, size = 3) +
labs(title = "Danh mục sản phẩm", x = "Sản phẩm", y = "Tần số") +
theme_minimal() +
coord_flip() +
theme(axis.text.y = element_text(size = 7, hjust = 1))
3.Ước lượng Khoảng và Kiểm định Giả thuyết cho Tỷ lệ (Một biến) 3.1 Tính số lượng và tỷ lệ hạng mục quan tâm
# Đếm số lượng hạng mục quan tâm trong tổng dữ liệu
n_total <- nrow(data) # tổng số quan sát
# Gender = "F"
n_female <- sum(data$Gender == "F", na.rm = TRUE)
prop_female <- n_female / n_total
# Homeowner = "Y"
n_homeowner <- sum(data$Homeowner == "Y", na.rm = TRUE)
prop_homeowner <- n_homeowner / n_total
# ProductFamily = "Food"
n_food <- sum(data$ProductFamily == "Food", na.rm = TRUE)
prop_food <- n_food / n_total
# In ra số liệu
cat("Female:", n_female, ", Tỷ lệ:", prop_female, "\n")## Female: 7170 , Tỷ lệ: 0.5099936cat("Homeowner:", n_homeowner, ", Tỷ lệ:", prop_homeowner, "\n")## Homeowner: 8444 , Tỷ lệ: 0.6006117cat("Food product:", n_food, ", Tỷ lệ:", prop_food, "\n")## Food product: 10153 , Tỷ lệ: 0.7221709- Trong tổng số dữ liệu, có 7.170 khách hàng là nữ, chiếm khoảng 51% tổng số, gần bằng tỷ lệ 50% giả định ban đầu. Điều này cho thấy phân bố giới tính trong dữ liệu khá cân bằng, không lệch nhiều về phía nam hay nữ.
- Có 8.444 khách hàng được ghi nhận là chủ nhà, chiếm hơn 60% tổng thể, đúng với giả định tỷ lệ chủ nhà là 60%. Đây là tín hiệu cho thấy phần lớn khách hàng có khả năng sở hữu nhà riêng, có thể ảnh hưởng đến hành vi tiêu dùng của họ.
- Nhóm sản phẩm “Food” chiếm ưu thế rõ rệt với 10.153 giao dịch, tương đương tỷ lệ hơn 72%, vượt qua mức giả định 70%. Điều này chứng tỏ mặt hàng thực phẩm là nhóm được ưa chuộng nhất trong bộ dữ liệu này. 3.2 Ước lượng khoảng tin cậy 95% cho tỷ lệ
# Khoảng tin cậy cho Female
ci_female <- prop.test(n_female, n_total)$conf.int
# Khoảng tin cậy cho Homeowner
ci_homeowner <- prop.test(n_homeowner, n_total)$conf.int
# Khoảng tin cậy cho Food product
ci_food <- prop.test(n_food, n_total)$conf.int
# In ra khoảng tin cậy
cat("Khoảng tin cậy 95% Female:", ci_female, "\n")## Khoảng tin cậy 95% Female: 0.5016931 0.5182886cat("Khoảng tin cậy 95% Homeowner:", ci_homeowner, "\n")## Khoảng tin cậy 95% Homeowner: 0.5924537 0.6087145cat("Khoảng tin cậy 95% Food product:", ci_food, "\n")## Khoảng tin cậy 95% Food product: 0.7146709 0.7295489- Khoảng tin cậy 95% cho tỷ lệ khách hàng nữ dao động từ khoảng 50.17% đến 51.83%, cho thấy tỷ lệ nữ trong tổng thể khá ổn định và gần một nửa. Tỷ lệ này phản ánh sự cân bằng giới tính trong mẫu khách hàng.
- Khoảng tin cậy cho tỷ lệ chủ nhà (Homeowner) nằm trong khoảng từ 59.25% đến 60.87%, cho thấy đa số khách hàng trong dữ liệu là chủ nhà, điều này có thể ảnh hưởng đến hành vi mua sắm và lựa chọn sản phẩm.
- Khoảng tin cậy cho tỷ lệ khách hàng mua sản phẩm thuộc nhóm Food dao động từ 71.47% đến 72.95%, thể hiện rằng sản phẩm thực phẩm chiếm tỷ trọng lớn trong tổng số giao dịch, là nhóm sản phẩm chủ lực của siêu thị. => Nhìn chung, các khoảng tin cậy đều khá hẹp, chứng tỏ độ tin cậy cao và dữ liệu có kích thước mẫu đủ lớn để ước lượng chính xác tỷ lệ các nhóm khách hàng và sản phẩm quan tâm. 3.3 Kiểm định giả thuyết về tỷ lệ Bài toán kiểm định Đặt giải thuyết Giả thuyết không (H₀):
- Với Gender - Female(F): H0: Tỷ lệ nữ là 0.5 (50%) H1: Tỷ lệ nữ ≠ 0.5
- Với Homeowner - Yes (Y): H0: Tỷ lệ chủ nhà là 0.6 (60%) H1: Tỷ lệ chủ nhà ≠ 0.6
- Với Food Product - Food H0: Tỷ lệ mua sản phẩm Food ≥ 0.7 (70%) H1: Tỷ lệ mua sản phẩm Food < 0.7 Mức ý nghĩa: α = 0.05
# Kiểm định tỷ lệ nữ = 0.5
test_female <- prop.test(n_female, n_total, p = 0.5, alternative = "two.sided")
# Kiểm định tỷ lệ chủ nhà = 0.6
test_homeowner <- prop.test(n_homeowner, n_total, p = 0.6, alternative = "two.sided")
# Kiểm định tỷ lệ Food >= 0.7 (kiểm định một phía)
test_food <- prop.test(n_food, n_total, p = 0.7, alternative = "greater")
# In kết quả kiểm định
cat("Kiểm định Female:\n")## Kiểm định Female:print(test_female)##
## 1-sample proportions test with continuity correction
##
## data: n_female out of n_total, null probability 0.5
## X-squared = 5.5765, df = 1, p-value = 0.0182
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5016931 0.5182886
## sample estimates:
## p
## 0.5099936cat("\nKiểm định Homeowner:\n")##
## Kiểm định Homeowner:print(test_homeowner)##
## 1-sample proportions test with continuity correction
##
## data: n_homeowner out of n_total, null probability 0.6
## X-squared = 0.019445, df = 1, p-value = 0.8891
## alternative hypothesis: true p is not equal to 0.6
## 95 percent confidence interval:
## 0.5924537 0.6087145
## sample estimates:
## p
## 0.6006117cat("\nKiểm định Food product:\n")##
## Kiểm định Food product:print(test_food)##
## 1-sample proportions test with continuity correction
##
## data: n_food out of n_total, null probability 0.7
## X-squared = 32.802, df = 1, p-value = 5.101e-09
## alternative hypothesis: true p is greater than 0.7
## 95 percent confidence interval:
## 0.7158789 1.0000000
## sample estimates:
## p
## 0.7221709- Giới tính (Female): Tỷ lệ khách hàng là nữ là 50.99936%, với khoảng tin cậy 95% từ 50.17% đến 51.83%. Kết quả kiểm định cho p-value = 0.0182 nhỏ hơn mức ý nghĩa 0.05, do đó bác bỏ giả thuyết H₀: p = 0.5. Có bằng chứng thống kê cho thấy tỷ lệ nữ trong tập dữ liệu khác 50%, dù sự chênh lệch không lớn.
- Chủ sở hữu nhà (Homeowner): Tỷ lệ khách hàng sở hữu nhà là 60.06117%, với khoảng tin cậy 95% từ 59.25% đến 60.87%. P-value = 0.8891, lớn hơn 0.05 nên không bác bỏ giả thuyết H₀: p = 0.6. Điều này cho thấy tỷ lệ chủ nhà trong mẫu không khác biệt đáng kể so với tỷ lệ giả định 60%.
- Sản phẩm Food: Tỷ lệ khách hàng mua sản phẩm thuộc nhóm Food là 72.21709%, với khoảng tin cậy 95% từ 71.59% đến 100%. Kiểm định cho p-value = 5.101e-09 rất nhỏ so với 0.05 nên bác bỏ giả thuyết H₀: p ≤ 0.7, đồng thời chấp nhận H₁: p > 0.7. Như vậy, có bằng chứng mạnh cho thấy tỷ lệ mua sản phẩm Food thực sự lớn hơn 70%.