load library

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.6
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.1     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.2.0     
## ── 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 errors

read file

leaf <- read_csv("leaf_characteristics.csv")

## Rows: 161 Columns: 7
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): forest_type, elevation
## dbl (5): leaf_length_cm, leaf_width_cm, leaf_thickness_mm, leaf_area_cm2, ch...
## 
## 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.

leaf

## # A tibble: 161 × 7
##    leaf_length_cm leaf_width_cm leaf_thickness_mm leaf_area_cm2
##             <dbl>         <dbl>             <dbl>         <dbl>
##  1            8.9           2.9              0.38          18.9
##  2            9.1           3.7              0.34          25.4
##  3           10.6           3.4              0.32          23.8
##  4           10.5           4.7              0.32          35.7
##  5           11.5           4.7              0.34          36.4
##  6           11.9           4.1              0.38          33.3
##  7           10.2           4.1              0.28          32.7
##  8           10.3           4.3              0.32          31.5
##  9            9.3           3.5              0.37          22.4
## 10            9.4           3.5              0.27          23.9
## # ℹ 151 more rows
## # ℹ 3 more variables: chlorophyll_content <dbl>, forest_type <chr>,
## #   elevation <chr>

1. วาดกราฟก่อนเสมอ !

leaf %>% 
  ggplot(aes(x = leaf_length_cm, y = leaf_width_cm)) +
  geom_point()

2. Calculate correlation

2.1 find correlation coefficient (r)

cor(leaf$leaf_length_cm, leaf$leaf_width_cm)

## [1] 0.6587472

r ≤ 1 : strongly positive
r = 0 : no relationship
r ≥ -1 : strongly positive

2.2. detailed test

cor.test(leaf$leaf_length_cm, leaf$leaf_width_cm)

## 
##  Pearson's product-moment correlation
## 
## data:  leaf$leaf_length_cm and leaf$leaf_width_cm
## t = 11.041, df = 159, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.5612600 0.7382051
## sample estimates:
##       cor 
## 0.6587472

P ≤ 0.05 = cor (r-value) is significantly different from 0
P > 0.05 = cor (r-value) is not really different from 0

จากการวิเคราะห์นี้ แสดงให้เห็นว่า ความยาวและความกว้างของใบมีสหสัมพันธ์ในเชิงบวกอย่างมีนัยสำคัญ (r = 0.66, p < 0.001)

Challenge 1

เลือกลักษณะหนึ่งคู่จากตัวแปรที่เป็นตัวเลข (continuous variables) และวาดกราฟ หาค่าสหสัมพันธ์ p-value และเขียนรายงานผล

ตัวเลือกของตัวแปร

leaf_length_cm
leaf_width_cm
leaf_thickness_mm
leaf_area_cm2
chlorophyll_content

1.1 วาดกราฟ (พร้อมเปลี่ยนสีและระบุชื่อแกนใหม่)

colnames(leaf)

## [1] "leaf_length_cm"      "leaf_width_cm"       "leaf_thickness_mm"  
## [4] "leaf_area_cm2"       "chlorophyll_content" "forest_type"        
## [7] "elevation"

1.2 ทดสอบ correlation พร้อม p-value

1.3 เขียนบรรยายผลที่ได้

3. Correlation Matrix

เราสามารถดู correlation ของทุกตัวแปรพร้อม ๆ กันได้ โดยการทำ correlation matrix

3.1 Filter เฉพาะข้อมูลที่ต้องการทดสอบ

leaf2 <- leaf %>% 
  select(leaf_length_cm, leaf_width_cm, leaf_thickness_mm)
leaf2

## # A tibble: 161 × 3
##    leaf_length_cm leaf_width_cm leaf_thickness_mm
##             <dbl>         <dbl>             <dbl>
##  1            8.9           2.9              0.38
##  2            9.1           3.7              0.34
##  3           10.6           3.4              0.32
##  4           10.5           4.7              0.32
##  5           11.5           4.7              0.34
##  6           11.9           4.1              0.38
##  7           10.2           4.1              0.28
##  8           10.3           4.3              0.32
##  9            9.3           3.5              0.37
## 10            9.4           3.5              0.27
## # ℹ 151 more rows

3.2 สร้าง correlation matrix

cor_matrix <- cor(leaf2)
cor_matrix

##                   leaf_length_cm leaf_width_cm leaf_thickness_mm
## leaf_length_cm         1.0000000     0.6587472        -0.4927972
## leaf_width_cm          0.6587472     1.0000000        -0.5833480
## leaf_thickness_mm     -0.4927972    -0.5833480         1.0000000

3.3 แสดงผล correlation matrix

1) option 1 วาดกราฟและแสดงตัวเลข

library(GGally)
ggpairs(leaf2)

2) กราฟแสดงค่า correlation อย่างเดียว

library(corrplot)

## corrplot 0.95 loaded

corrplot(cor_matrix)

สามารถปรับสี และ รูปแบบได้ดังนี้

corrplot(cor_matrix, method = "number", type = "upper", col = COL2("BrBG"))

ตัวเลือกสีใน COL2 มีดังต่อไปนี้

Challenge 2

ให้เลือกลักษณะมา 4 ลักษณะจากทั้งหมด แล้วให้แสดงผล correlation matrix ตามที่ตนเองชอบ โดยทำขั้นตอนดังนี้

Demo: Correlation