Ngôn ngữ lập trình trong phân tích dữ liệu - Th.S Trần Mạnh Tường
Đặng Hoài Trinh & Trần Tấn Đức Tài
2025-10-13
Đọc dữ liệu:
## Warning: package 'readxl' was built under R version 4.5.1## # A tibble: 6 × 13
## `Student ID` Age Gender Height Weight `Blood Type` BMI Temperature
## <dbl> <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 1 18 Female 162. 72.4 O 27.6 NA
## 2 2 NA Male 152. 47.6 B NA 98.7
## 3 3 32 Female 183. 55.7 A 16.7 98.3
## 4 NA 30 Male 182. 63.3 B 19.1 98.8
## 5 5 23 Female NA 46.2 O NA 98.5
## 6 6 32 <NA> 151. 68.6 B 29.9 99.7
## # ℹ 5 more variables: `Heart Rate` <dbl>, `Blood Pressure` <dbl>,
## # Cholesterol <dbl>, Diabetes <chr>, Smoking <chr>1. Thông tin cơ bản dữ liệu:
1.1. Số biến, số quan sát:
dim(dataset)## [1] 100000 131.2. Tên các biến:
names(dataset)## [1] "Student ID" "Age" "Gender" "Height"
## [5] "Weight" "Blood Type" "BMI" "Temperature"
## [9] "Heart Rate" "Blood Pressure" "Cholesterol" "Diabetes"
## [13] "Smoking"1.3. Kiểm tra số quan sát trùng lặp:
sum(duplicated(dataset))## [1] 01.4. Số quan sát bị thiếu:
colSums(is.na(dataset))## Student ID Age Gender Height Weight
## 10007 9928 9917 10066 9958
## Blood Type BMI Temperature Heart Rate Blood Pressure
## 10008 10048 10015 9891 10072
## Cholesterol Diabetes Smoking
## 9975 10116 101241.5. Giải thích ý nghĩa các biến trong bộ dữ liệu:
variable_meaning <- data.frame(Variable = c("Student.ID", "Age", "Gender", "Height", "Weight", "Blood.Type", "BMI", "Temperature", "Heart.Rate", "Blood.Pressure", "Cholesterol", "Diabetes", "Smoking"), Meaning = c("Mã số học sinh/bệnh nhân", "Tuổi (năm)", "Giới tính (Male/Female)", "Chiều cao (cm)", "Cân nặng (kg)", "Nhóm máu (A, B, AB, O)", "Chỉ số BMI (khối lượng cơ thể)", "Nhiệt độ cơ thể (°C)", "Nhịp tim (bpm)", "Huyết áp (mmHg)", "Cholesterol (mg/dL)", "Tình trạng tiểu đường (Yes/No hoặc 1/0)", "Tình trạng hút thuốc (Yes/No hoặc lịch sử hút thuốc)"), stringsAsFactors = FALSE)
library(knitr)## Warning: package 'knitr' was built under R version 4.5.1kable(variable_meaning, booktabs = TRUE)| Variable | Meaning |
|---|---|
| Student.ID | Mã số học sinh/bệnh nhân |
| Age | Tuổi (năm) |
| Gender | Giới tính (Male/Female) |
| Height | Chiều cao (cm) |
| Weight | Cân nặng (kg) |
| Blood.Type | Nhóm máu (A, B, AB, O) |
| BMI | Chỉ số BMI (khối lượng cơ thể) |
| Temperature | Nhiệt độ cơ thể (°C) |
| Heart.Rate | Nhịp tim (bpm) |
| Blood.Pressure | Huyết áp (mmHg) |
| Cholesterol | Cholesterol (mg/dL) |
| Diabetes | Tình trạng tiểu đường (Yes/No hoặc 1/0) |
| Smoking | Tình trạng hút thuốc (Yes/No hoặc lịch sử hút thuốc) |
1.6. Xử lý giá trị bị thiếu:
dataset_complete <- dataset[complete.cases(dataset), ]
dataset_complete <- na.omit(dataset)
colSums(is.na(dataset_complete))## Student ID Age Gender Height Weight
## 0 0 0 0 0
## Blood Type BMI Temperature Heart Rate Blood Pressure
## 0 0 0 0 0
## Cholesterol Diabetes Smoking
## 0 0 01.7. Phân loại biến định lượng và định tính:
sum(sapply(dataset_complete, is.numeric))## [1] 9sum(sapply(dataset_complete, function(x) is.factor(x) | is.character(x)))## [1] 4names(dataset_complete)[sapply(dataset_complete, is.numeric)]## [1] "Student ID" "Age" "Height" "Weight"
## [5] "BMI" "Temperature" "Heart Rate" "Blood Pressure"
## [9] "Cholesterol"1.8. Thống kê mô tả cơ bản:
summary(dataset_complete)## Student ID Age Gender Height
## Min. : 3 Min. :18.00 Length:25376 Min. :150.0
## 1st Qu.:24733 1st Qu.:22.00 Class :character 1st Qu.:162.6
## Median :49777 Median :26.00 Mode :character Median :174.8
## Mean :49874 Mean :26.05 Mean :174.9
## 3rd Qu.:74796 3rd Qu.:30.00 3rd Qu.:187.5
## Max. :99989 Max. :34.00 Max. :200.0
## Weight Blood Type BMI Temperature
## Min. : 40.00 Length:25376 Min. :10.07 Min. : 96.40
## 1st Qu.: 54.97 Class :character 1st Qu.:17.85 1st Qu.: 98.26
## Median : 70.09 Mode :character Median :22.73 Median : 98.60
## Mean : 70.00 Mean :23.36 Mean : 98.60
## 3rd Qu.: 85.09 3rd Qu.:28.04 3rd Qu.: 98.94
## Max. :100.00 Max. :44.19 Max. :100.77
## Heart Rate Blood Pressure Cholesterol Diabetes
## Min. :60.00 Min. : 90.0 Min. :120.0 Length:25376
## 1st Qu.:70.00 1st Qu.:102.0 1st Qu.:152.0 Class :character
## Median :79.00 Median :115.0 Median :184.0 Mode :character
## Mean :79.44 Mean :114.6 Mean :184.5
## 3rd Qu.:89.00 3rd Qu.:127.0 3rd Qu.:218.0
## Max. :99.00 Max. :139.0 Max. :249.0
## Smoking
## Length:25376
## Class :character
## Mode :character
##
##
## 2. Phân tổ các biến:
2.1. Phân tổ theo nhóm máu O:
library(dplyr)## Warning: package 'dplyr' was built under R version 4.5.1##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionbloodtype_O_data <- dataset_complete %>%
filter(`Blood Type` == "O")
head(bloodtype_O_data)## # A tibble: 6 × 13
## `Student ID` Age Gender Height Weight `Blood Type` BMI Temperature
## <dbl> <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 36 21 Male 183. 61.5 O 18.3 99.3
## 2 87 34 Female 151. 90.6 O 39.8 97.6
## 3 123 29 Female 180. 69.6 O 21.4 98.7
## 4 129 29 Male 194. 71.7 O 19.1 99.3
## 5 143 24 Male 163. 48.7 O 18.3 98.6
## 6 144 26 Male 195. 44.7 O 11.7 98.1
## # ℹ 5 more variables: `Heart Rate` <dbl>, `Blood Pressure` <dbl>,
## # Cholesterol <dbl>, Diabetes <chr>, Smoking <chr>library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.1ggplot(bloodtype_O_data, aes(x = Gender)) + geom_bar(fill = "steelblue") + labs(title = "Biểu đồ phân tổ giới tính trong nhóm máu O", x = "Giới tính", y = "Số lượng") + theme_minimal()
Nhận xét: Số lượng nữ giới (Female) và nam giới (Male) trong nhóm máu O gần như tương đương nhau, với mỗi nhóm khoảng hơn 3000 người. Chênh lệch nhỏ (không đáng kể), cho thấy phân bố giới tính khá cân bằng trong nhóm máu O.
Kết luận: Nhóm máu O phân bố đồng đều giữa hai giới, không có sự khác biệt đáng kể về tỉ lệ nam và nữ. Điều này cho thấy nhóm máu O là phổ biến tương tự ở cả nam và nữ trong tập dữ liệu.
2.2. Phân tổ theo giới tính nữ:
library(dplyr)
female_data <- dataset_complete %>%
dplyr::filter(Gender == "Female")
head(female_data)## # A tibble: 6 × 13
## `Student ID` Age Gender Height Weight `Blood Type` BMI Temperature
## <dbl> <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 3 32 Female 183. 55.7 A 16.7 98.3
## 2 12 34 Female 182. 76.4 AB 23.0 98.1
## 3 23 29 Female 180. 90.7 AB 28.0 98.8
## 4 25 27 Female 187. 81.2 AB 23.1 97.7
## 5 47 24 Female 156. 96.5 AB 39.7 98.4
## 6 61 26 Female 178. 89.5 B 28.1 99.1
## # ℹ 5 more variables: `Heart Rate` <dbl>, `Blood Pressure` <dbl>,
## # Cholesterol <dbl>, Diabetes <chr>, Smoking <chr>library(ggplot2)
ggplot(female_data, aes(x = `Blood Type`, fill = `Blood Type`)) + geom_bar() + labs(title = "Biểu đồ phân tổ nhóm máu theo giới tính nữ", x = "Nhóm máu", y = "Số lượng") + theme_minimal()
Nhận xét: Số lượng nữ giới ở các nhóm máu A, AB, B, O gần như tương đương nhau, dao động quanh 3000 người. Nhóm máu B và O có số lượng nhỉnh hơn một chút so với nhóm A và AB, nhưng chênh lệch không đáng kể. Điều này cho thấy phân bố nhóm máu trong giới tính nữ khá đồng đều, không có nhóm máu nào chiếm ưu thế rõ rệt.
Kết luận: Cơ cấu nhóm máu ở nữ giới phân bố khá cân bằng, phản ánh rằng không có sự thiên lệch đáng kể giữa các nhóm máu trong mẫu quan sát. Điều này phù hợp với xu hướng phân bố nhóm máu phổ biến trong quần thể người nói chung.
2.3. Phân tổ theo nhóm tuổi:
library(dplyr)
dataset_complete <- dataset_complete %>%
mutate(NhomTuoi = cut(Age, breaks = c(0, 18, 40, Inf), labels = c("Dưới 18", "18-40", "Trên 40")))library(ggplot2)
ggplot(dataset_complete, aes(x = NhomTuoi)) + geom_bar(fill = "orchid") + labs(title = "Biểu đồ phân tổ theo nhóm tuổi", x = "Nhóm tuổi", y = "Số lượng") + theme_minimal()
Nhận xét: Nhóm tuổi 18–40 chiếm tỷ trọng áp đảo, với hơn 25000 người. Trong khi đó, nhóm dưới 18 tuổi chỉ có một lượng rất nhỏ, chưa đến 3000 người. Sự chênh lệch này cho thấy mẫu dữ liệu tập trung chủ yếu ở nhóm người trưởng thành và lao động chính, còn nhóm dưới 18 tuổi chiếm tỷ lệ rất thấp.
Kết luận: Phân bố theo nhóm tuổi không đồng đều, trong đó nhóm 18–40 tuổi chiếm ưu thế tuyệt đối. Điều này phản ánh rằng phần lớn đối tượng trong mẫu khảo sát hoặc cơ sở dữ liệu thuộc độ tuổi lao động và hoạt động kinh tế chính.
2.4. Phân tổ những người thuộc giới tính nữ có nhóm máu O:
library(dplyr)
female_O_data <- dataset_complete %>%
filter(Gender == "Female" & `Blood Type` == "O")
head(female_O_data)## # A tibble: 6 × 14
## `Student ID` Age Gender Height Weight `Blood Type` BMI Temperature
## <dbl> <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 87 34 Female 151. 90.6 O 39.8 97.6
## 2 123 29 Female 180. 69.6 O 21.4 98.7
## 3 280 29 Female 174. 53.8 O 17.8 99.9
## 4 285 29 Female 170. 69.4 O 24.0 98.5
## 5 305 31 Female 156. 83.3 O 34.2 98.4
## 6 326 22 Female 182. 88.6 O 26.8 99.3
## # ℹ 6 more variables: `Heart Rate` <dbl>, `Blood Pressure` <dbl>,
## # Cholesterol <dbl>, Diabetes <chr>, Smoking <chr>, NhomTuoi <fct>library(ggplot2)
ggplot(female_O_data, aes(x = NhomTuoi, fill = NhomTuoi)) + geom_bar() + labs(title = "Biểu đồ phân tổ nhóm tuổi những người thuộc giới tính nữ có nhóm máu O", x = "Nhóm tuổi", y = "Số lượng") + theme_minimal()
Nhận xét: Nhóm tuổi 18–40 chiếm đa số tuyệt đối, với khoảng hơn 3000 người. Trong khi đó, nhóm dưới 18 tuổi chỉ có một số lượng rất nhỏ, chưa đến 500 người. Sự chênh lệch này cho thấy phần lớn nữ giới có nhóm máu O nằm trong độ tuổi trưởng thành, tức là nhóm tuổi lao động chính.
Kết luận: Cơ cấu nhóm tuổi của nữ giới mang nhóm máu O không đồng đều, khi nhóm 18–40 tuổi chiếm tỷ trọng vượt trội so với nhóm dưới 18 tuổi. Điều này cho thấy độ tuổi trưởng thành là nhóm chiếm ưu thế trong tập dữ liệu này.
3. Phân tích các biến:
3.1. Phân tích biến Age:
age_stats <- c(Min = min(dataset_complete$Age, na.rm = TRUE), Max = max(dataset_complete$Age, na.rm = TRUE), Mean = mean(dataset_complete$Age, na.rm = TRUE), Median = median(dataset_complete$Age, na.rm = TRUE), SD = sd(dataset_complete$Age, na.rm = TRUE), Var = var(dataset_complete$Age, na.rm = TRUE))
age_stats## Min Max Mean Median SD Var
## 18.000000 34.000000 26.046501 26.000000 4.880116 23.815532Giá trị nhỏ nhất (Min): 18 - Đây là tuổi nhỏ nhất trong dữ liệu, chỉ bao gồm các cá nhân từ 18 tuổi trở lên được tìm thấy.
Giá trị lớn nhất (Max): 34 - Đây là tuổi lớn nhất được ghi nhận trong mẫu dữ liệu
Giá trị trung bình (Mean): 26.04 - Tuổi trung bình của toàn bộ mẫu là khoảng 26 tuổi.
Trung vị (Median): 26 - Một nửa số cá nhân trong mẫu có tuổi dưới hoặc bằng 26.
Độ lệch chuẩn (SD): 4.88 - Mức độ dao động của xung quanh giá trị trung bình là gần 5 tuổi.
Phương sai (Var): 23.81 - Biến thiên tổng thể của kỹ thuật ở trình độ trung bình.
3.2. Phân tích biến BMI:
bmi_stats <- c(Min = min(dataset_complete$BMI, na.rm = TRUE), Max = max(dataset_complete$BMI, na.rm = TRUE), Mean = mean(dataset_complete$BMI, na.rm = TRUE), Median = median(dataset_complete$BMI, na.rm = TRUE), SD = sd(dataset_complete$BMI, na.rm = TRUE), Var = var(dataset_complete$BMI, na.rm = TRUE))
bmi_stats## Min Max Mean Median SD Var
## 10.074837 44.194021 23.355807 22.730699 7.059462 49.836003Giá trị nhỏ nhất (Min): 10.07 — Mức BMI thấp nhất trong mẫu quan sát.
Trung vị (Median): 22.73 — Một nửa mẫu có BMI dưới mức này.
Giá trị trung bình (Mean): 23.35 — Mức BMI trung bình của toàn bộ mẫu.
Giá trị lớn nhất (Max): 44.19 — Mức BMI cao nhất trong dữ liệu.
Độ lệch chuẩn (SD): 7.05 — Mức độ phân tán của BMI quanh giá trị trung bình.
Phương sai (Var): 49.83 — Độ biến thiên tổng thể của BMI trong mẫu.