Cho bộ dữ liệu
murderstrong packagedslabs.
library(dslabs)
head(murders, 6) state abb region population total
1 Alabama AL South 4779736 135
2 Alaska AK West 710231 19
3 Arizona AZ West 6392017 232
4 Arkansas AR South 2915918 93
5 California CA West 37253956 1257
6 Colorado CO West 5029196 65| Biến | Mô tả |
|---|---|
state |
Tên đầy đủ của các bang tại Mỹ |
abb |
Tên viết tắt (2 ký tự) của các bang |
region |
Vùng địa lý của bang |
population |
Tổng dân số |
total |
Tổng số vụ giết người |
| Loại biểu đồ | Câu hỏi |
|---|---|
| Scatterplot | C3, C4 |
| Barplot | C1, C2, C5 |
Bang nào có dân số lớn nhất?
murders$state[which.max(murders$population)][1] "California"Bang nào có tổng số vụ giết người cao nhất?
murders$state[which.max(murders$total)][1] "California"Dân số và tổng số vụ giết người có liên hệ với nhau không?
Có. Vì dân số và tổng số vụ giết người có liên hệ mật thiết, nên nếu chỉ nhìn vào “tổng số vụ” để đánh giá một bang có an toàn hay không sẽ bị sai lệch. Đó là lý do trong khoa học dữ liệu, người ta phải tính thêm biến phụ là Tỷ lệ giết người trên 100,000 dân (Murder Rate) để so sánh chính xác hơn.
Tỷ lệ giết người khác nhau như thế nào giữa các vùng?
Vùng South thường có tỷ lệ giết người trung bình cao hơn các vùng còn lại, trong khi Northeast thấp nhất.
Sử dụng dữ liệu
murders.
library(dslabs)
library(ggplot2)
data("murders")
ggplot(data = murders, aes(x = population / 10^6, y = total)) +
geom_point(color = "blue", size = 3, alpha = 0.7) +
labs(
title = "Mối quan hệ giữa Dân số và Tổng số vụ giết người",
x = "Dân số (Triệu người)",
y = "Tổng số vụ giết người"
) +
theme_light()
Biểu đồ cho thấy có mối quan hệ thuận chiều giữa dân số và tổng số vụ giết người: bang càng đông dân thì số vụ giết người càng cao.
Vì đề yêu cầu nhận xét mối quan hệ giữa dân số và tổng số vụ giết người nên chọn Scatterplot.
Phân tích đoạn mã:
murders |> ggplot(aes(x = population/10^6, y = total, color = region)) + geom_point()
| Thành phần | Giá trị | Giải thích |
|---|---|---|
| Data | murders |
Bộ dữ liệu đầu vào |
| Geometry | geom_point() |
Vẽ dạng điểm (scatterplot) |
| Aesthetic mappings | x = population/10^6, y = total, color = region |
Ánh xạ dữ liệu lên hệ trục và màu sắc |
color = regioncolor = region giúp phân nhóm và so sánh dữ liệu trực quan theo vùng miền. ggplot2 tự động gán màu khác nhau cho từng vùng và tạo bảng chú thích (legend).
murders |>
ggplot(aes(x = population / 10^6, y = total)) +
geom_point(color = "blue")
color = region trong aes()ggplot(murders, aes(x = population / 10^6, y = total, color = region)) +
geom_point()
Tạo biểu đồ phân tán với các điểm có nhiều màu sắc khác nhau và tự động xuất hiện bảng chú thích (Legend) ở bên cạnh.
color = "blue" ngoài aes()ggplot(murders, aes(x = population / 10^6, y = total)) +
geom_point(color = "blue")
Tạo biểu đồ phân tán với toàn bộ các điểm đồng nhất màu xanh dương, không có bảng chú thích.
Biểu đồ 1 (color = region trong aes()) |
Biểu đồ 2 (color = "blue" ngoài aes()) |
|
|---|---|---|
| Màu sắc | Nhiều màu theo nhóm | Đồng nhất một màu |
| Legend | Có tự động | Không có |
| Ý nghĩa | Màu đại diện cho biến dữ liệu | Màu thuần túy trang trí |
color = region trong aes(): Kết nối màu sắc với biến dữ liệu, hệ thống đọc cột region để phân chia màu sắc.
color = "blue" ngoài aes(): Ép buộc định dạng cố định, bỏ qua thuộc tính dữ liệu.
Sinh viên thường viết chuỗi ký tự tên màu cố định vào bên trong aes(), ví dụ: aes(..., color = "blue") với mục đích muốn toàn bộ biểu đồ thành màu xanh — nhưng kết quả sẽ không như mong đợi.
library(dplyr)
library(dslabs)
murders <- murders %>%
mutate(rate = total / population * 100000)library(ggplot2)
ggplot(murders, aes(x = state, y = rate)) +
geom_bar(stat = "identity") +
coord_flip()
murders_desc <- murders %>% arrange(desc(rate))
top10_murders <- murders_desc %>% slice_head(n = 10)
ggplot(top10_murders, aes(x = reorder(state, rate), y = rate)) +
geom_bar(stat = "identity", fill = "skyblue") +
coord_flip() +
labs(
title = "Top 10 Bang có Murder Rate Cao Nhất",
x = "Bang",
y = "Tỷ lệ (trên 100,000 dân)"
)
Nếu sắp xếp theo thứ tự Alphabet, biểu đồ sẽ rất khó đọc vì các thanh dài, ngắn bị nằm xen kẽ lộn xộn. Người xem không thể nhận biết ngay bang nào đứng vị trí thứ nhất, thứ nhì mà phải tự dò tìm. Sự trồi sụt bất quy tắc này gây nhiễu thị giác, làm giảm tốc độ nắm bắt thông tin cốt lõi.
Sử dụng bộ dữ liệu
heightstrong packagedslabs.
heightlibrary(ggplot2)
library(dslabs)
ggplot(heights, aes(x = height)) +
geom_histogram(binwidth = 1, fill = "skyblue", color = "black") +
labs(title = "Histogram of Heights", x = "Height (inches)", y = "Count")
heightggplot(heights, aes(x = height)) +
geom_density(fill = "aquamarine", alpha = 0.5) +
labs(title = "Density Plot of Heights", x = "Height (inches)", y = "Density")
ggplot(heights, aes(x = sex, y = height, fill = sex)) +
geom_boxplot() +
labs(title = "Boxplot of Heights by Sex", x = "Sex", y = "Height (inches)")
| Biểu đồ | Ưu điểm | Hạn chế |
|---|---|---|
| Histogram | Dễ hiểu, hiển thị tần suất thực tế | Phụ thuộc vào binwidth |
| Density Plot | Đường cong mịn, thấy rõ hình dáng phân phối | Không cho thấy số quan sát thực tế |
| Boxplot | Tóm tắt nhanh thống kê, phát hiện outliers | Che giấu hình dáng phân phối chi tiết |
Khi trục y bắt đầu từ 90 thay vì 0, cột công ty A tương ứng với 5 đơn vị (95 - 90), còn công ty B tương ứng với 10 đơn vị (100 - 90). Cột B trông cao gấp đôi cột A, trong khi thực tế B chỉ hơn A khoảng 5.26%.
library(ggplot2)
data_doanhthu <- data.frame(
Cong_ty = c("A", "B"),
Doanh_thu = c(95, 100)
)
ggplot(data_doanhthu, aes(x = Cong_ty, y = Doanh_thu, fill = Cong_ty)) +
geom_bar(stat = "identity", width = 0.5) +
scale_y_continuous(limits = c(0, 110)) +
labs(
title = "So sánh doanh thu chính xác giữa hai công ty",
x = "Công ty",
y = "Doanh thu"
) +
theme_minimal()
Trục y của biểu đồ cột luôn phải bắt đầu từ số 0.
murderslibrary(ggplot2)
library(dplyr)
library(ggrepel)
library(dslabs)
r_national <- murders %>%
summarize(rate = sum(total) / sum(population) * 10^6) %>%
pull(rate)
ggplot(murders, aes(x = population / 10^6, y = total, color = region, label = abb)) +
geom_point(size = 3, alpha = 0.7) +
geom_text_repel(show.legend = FALSE) +
scale_x_log10() +
scale_y_log10() +
geom_abline(
intercept = log10(r_national), slope = 1,
color = "darkgray", linetype = "dashed", linewidth = 0.8
) +
labs(
title = "Tương quan giữa tổng số vụ giết người và quy mô dân số",
subtitle = "Dữ liệu các bang tại Mỹ (Đường đứt nét thể hiện mức trung bình toàn quốc)",
x = "Dân số (Đơn vị: Triệu người - Log Scale)",
y = "Tổng số vụ giết người (Log Scale)",
color = "Vùng (Region)"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 14))
Những bang nào nằm phía trên đường trung bình?
Tiêu biểu nhất là DC (District of Columbia), theo sau là LA (Louisiana), MD (Maryland), MS (Mississippi), và SC (South Carolina).
Vùng nào có xu hướng murder rate cao hơn?
Vùng South có xu hướng murder rate cao hơn hẳn các vùng khác. Vùng Northeast thường nằm dưới đường trung bình.
Vì sao dùng log scale?
library(ggplot2)
df <- data.frame(
Nganh = c("Data Science", "AI", "Business Analytics", "Software Engineering", "Cybersecurity"),
Sinh_vien = c(120, 95, 80, 150, 60)
)ggplot(df, aes(x = "", y = Sinh_vien, fill = Nganh)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y", start = 0) +
labs(title = "Biểu đồ tròn (Pie Chart) số lượng sinh viên") +
theme_void()
ggplot(df, aes(x = Nganh, y = Sinh_vien, fill = Nganh)) +
geom_bar(stat = "identity") +
labs(
title = "Biểu đồ cột (Barplot) số lượng sinh viên",
x = "Ngành học",
y = "Số sinh viên"
) +
theme_minimal()
| Pie chart | Barplot | |
|---|---|---|
| Đọc giá trị | Khó — phải ước góc/diện tích | Dễ — so chiều cao cột |
| So sánh nhiều nhóm | Rất kém khi ≥ 5 nhóm | Tốt |
| Trục số | Không có | Có |
ggplot(df, aes(x = reorder(Nganh, -Sinh_vien), y = Sinh_vien, fill = Nganh)) +
geom_bar(stat = "identity") +
labs(
title = "Biểu đồ cột cải tiến (Sắp xếp giảm dần)",
x = "Ngành học",
y = "Số sinh viên"
) +
theme_minimal()
library(ggplot2)
library(dplyr)
library(dslabs)
gapminder_filtered <- gapminder %>%
filter(year %in% c(1962, 1980, 2000, 2012))
ggplot(gapminder_filtered, aes(x = fertility, y = life_expectancy, color = continent)) +
geom_point(size = 2, alpha = 0.7) +
facet_wrap(~year, nrow = 2) +
labs(
title = "Mối quan hệ giữa Tỷ lệ sinh và Tuổi thọ theo thời gian",
x = "Tỷ lệ sinh (Fertility rate)",
y = "Tuổi thọ trung bình (Life expectancy)",
color = "Châu lục"
) +
theme_minimal()
Từ 1962 đến 2012, thế giới có xu hướng rõ rệt: tỷ lệ sinh giảm và tuổi thọ tăng. Các điểm dịch chuyển từ góc dưới bên phải sang góc trên bên trái.
| Châu lục | Quốc gia |
|---|---|
| Châu Á | Vietnam |
| Châu Âu | Germany |
| Châu Mỹ | Brazil |
| Châu Phi | South Africa |
| Châu Đại Dương | Australia |
library(gapminder)
library(tidyverse)
selected_countries <- c("Vietnam", "Germany", "Brazil", "South Africa", "Australia")
df_filtered <- gapminder %>%
filter(country %in% selected_countries)
df_labels <- df_filtered %>%
filter(year == max(year))
ggplot(df_filtered, aes(x = year, y = lifeExp, color = country, group = country)) +
geom_line() +
geom_point() +
geom_text(data = df_labels, aes(label = country), hjust = -0.2, vjust = 0.5) +
scale_x_continuous(limits = c(1952, 2012), breaks = seq(1952, 2007, by = 5)) +
labs(x = "Year", y = "Life Expectancy") +
theme(legend.position = "none")
Việt Nam cải thiện tuổi thọ nhanh nhất: từ 40.4 tuổi (1952) lên 74.2 tuổi (2007) — tăng 33.8 tuổi trong 55 năm (trung bình 0.62 tuổi/năm).
library(gapminder)
library(tidyverse)
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_point(alpha = 0.5) +
labs(x = "GDP per Capita", y = "Life Expectancy")
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_point(alpha = 0.5) +
scale_x_log10() +
labs(x = "GDP per Capita (Log Scale)", y = "Life Expectancy")
| Trục thường | Log scale | |
|---|---|---|
| Phân bố điểm | Nén cụm ở phía trái | Trải đều |
| Dạng quan hệ | Đường cong phi tuyến | Tuyến tính rõ rệt |
| Quốc gia nghèo | Bị che khuất | Tách rời, dễ quan sát |
Dữ liệu lệch phải có phần lớn tập trung ở giá trị nhỏ, chỉ một số ít giá trị cực lớn. Log transformation “thu hẹp” giá trị lớn và “kéo giãn” giá trị nhỏ, biến phân phối lệch về dạng chuẩn đối xứng.
library(tidyverse)
set.seed(42)
data <- tibble(
Lớp = rep(c("A", "B", "C"), each = 50),
Điểm = c(
rnorm(50, mean = 7, sd = 0.2),
rnorm(50, mean = 7, sd = 1.5),
c(rnorm(25, mean = 5, sd = 0.5), rnorm(25, mean = 9, sd = 0.5))
)
)
# Barplot trung bình
df_mean <- data %>% group_by(Lớp) %>% summarize(Mean = mean(Điểm))
ggplot(df_mean, aes(x = Lớp, y = Mean, fill = Lớp)) +
geom_col() +
labs(title = "Barplot: Chỉ hiển thị điểm trung bình", y = "Điểm trung bình") +
theme(legend.position = "none")
# Boxplot + jitter
ggplot(data, aes(x = Lớp, y = Điểm, fill = Lớp)) +
geom_boxplot(alpha = 0.5, outlier.shape = NA) +
geom_jitter(width = 0.2, alpha = 0.6) +
labs(title = "Boxplot + Jitter: Hiển thị toàn bộ dữ liệu") +
theme(legend.position = "none")
library(dslabs)
library(tidyverse)
dat_measles <- us_contagious_diseases %>%
filter(disease == "Measles") %>%
filter(state %in% c("California", "New York", "Texas"))
ggplot(dat_measles, aes(x = year, y = state, fill = count)) +
geom_tile() +
geom_vline(xintercept = 1963, color = "blue", linetype = "dashed", linewidth = 1) +
scale_fill_gradient(low = "white", high = "red") +
labs(
title = "Bản đồ nhiệt bệnh Sởi",
x = "Năm",
y = "Bang",
fill = "Số ca nhiễm"
) +
theme_minimal()
Sử dụng dữ liệu số sinh viên theo ngành: Data Science (120), AI (95), Business Analytics (80), Software Engineering (150), Cybersecurity (60).
library(ggplot2)
df <- data.frame(
major = c("Data Science", "AI", "Business Analytics", "Software Engineering", "Cybersecurity"),
students = c(120, 95, 80, 150, 60)
)
ggplot(df, aes(x = reorder(major, students), y = students)) +
geom_col() +
coord_flip() +
scale_y_continuous(limits = c(0, 160), expand = c(0, 0)) +
labs(
title = "Số lượng sinh viên theo ngành học",
x = "Ngành học",
y = "Số sinh viên"
) +
theme_minimal()
coord_flip() giúp đọc tên ngành rõ ràng; reorder() thể hiện thứ hạng ngay lập tức.Trực quan hóa dữ liệu đòi hỏi sự trung thực và tối giản. Nguyên tắc cốt lõi đầu tiên là tính toàn vẹn của dữ liệu: đối với biểu đồ cột, trục cơ sở bắt đầu từ số 0 là quy tắc bắt buộc; việc cắt cụp trục Y sẽ làm sai lệch nhận thức thị giác và bóp méo sự thật.
Nguyên tắc thứ hai là giảm gánh nặng nhận thức. Dữ liệu danh mục cần được sắp xếp theo thứ tự để người xem lập tức nhận ra quy luật mà không phải tự so sánh thủ công. Đồng thời, cấu trúc biểu đồ phải thân thiện với việc đọc hiểu — chẳng hạn như chuyển sang cột ngang khi nhãn chữ quá dài.
Cuối cùng, hãy loại bỏ mọi yếu tố gây nhiễu. Hiệu ứng 3D, màu sắc sặc sỡ không cần thiết, bảng chú giải thừa — tất cả phải lược bỏ. Biểu đồ đạt hiệu quả cao nhất khi truyền tải thông tin một cách rõ ràng, gọn gàng và không thể cắt giảm thêm chi tiết nào nữa.
library(gapminder)
library(tidyverse)
df_2007 <- gapminder %>% filter(year == 2007)
# 1 & 2. GDP trung bình và barplot
tb <- df_2007 %>%
group_by(continent) %>%
summarize(gdpPercap = mean(gdpPercap))
ggplot(tb, aes(x = reorder(continent, gdpPercap), y = gdpPercap, fill = continent)) +
geom_col(show.legend = FALSE) +
labs(title = "GDP trung bình (2007)", x = "Châu lục", y = "GDP/người (USD)") +
theme_minimal()
# 3. Boxplot + jitter từng quốc gia
ggplot(df_2007, aes(x = reorder(continent, gdpPercap, FUN = mean), y = gdpPercap, fill = continent)) +
geom_boxplot(outlier.shape = NA, show.legend = FALSE, alpha = 0.4) +
geom_jitter(width = 0.2, alpha = 0.6, show.legend = FALSE) +
labs(title = "Chi tiết GDP từng quốc gia (2007)", x = "Châu lục", y = "GDP/người (USD)") +
theme_minimal()
Trung bình dễ bị kéo lệch bởi vài quốc gia siêu giàu (outliers). Một châu lục có mức trung bình cao không có nghĩa là mọi quốc gia đều giàu — con số tổng thể đó che lấp nhiều quốc gia nghèo hơn bên trong.
Ecological fallacy là lỗi logic khi lấy đặc điểm đại diện của một nhóm (tập thể) để áp đặt cho tính chất của từng cá thể đơn lẻ trong nhóm đó. Ví dụ: dù Châu Âu có GDP trung bình cao, vẫn có nhiều quốc gia Đông Âu có GDP thấp hơn một số quốc gia Châu Á — barplot không cho ta thấy điều này.
library(ggplot2)
set.seed(42)
score <- c(
rnorm(150, mean = 72, sd = 10),
rep(65, 40),
rnorm(10, mean = 63, sd = 0.5)
)
score <- pmin(pmax(round(score), 0), 100)
df <- data.frame(
student_id = 1:length(score),
exam_score = score
)
ggplot(df, aes(x = exam_score)) +
geom_histogram(binwidth = 2, fill = "steelblue", color = "white") +
geom_vline(xintercept = 65, color = "red", linewidth = 1, linetype = "dashed") +
labs(
title = "Exam Scores Distribution",
x = "Exam Score",
y = "Students"
) +
theme_minimal()
Biểu đồ xuất hiện một cột cao vọt bất thường tại điểm 65. Khoảng điểm 63–64 ngay trước đó hầu như trống rỗng, làm đứt gãy hình dáng phân phối thông thường.
Biểu đồ xuất hiện cấu trúc phi tự nhiên nhưng không thể khẳng định gian lận, vì hiện tượng này có thể do quy tắc làm tròn hợp lệ hoặc chiến lược ôn thi. Tuy nhiên, sự mất cân đối nghiêm trọng giữa 63–64 và 65 là dấu hiệu cảnh báo rõ rệt, gợi ý cần điều tra chuyên sâu để đảm bảo tính minh bạch.
library(gapminder)
library(tidyverse)
df_2007 <- gapminder %>% filter(year == 2007)
ggplot(df_2007, aes(x = gdpPercap, y = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.7) +
scale_x_log10() +
facet_wrap(~continent) +
labs(
title = "Phân tích đa biến: GDP và Tuổi thọ (2007)",
subtitle = "Phân mảnh theo Châu lục - Kích thước điểm thể hiện quy mô dân số",
x = "GDP per Capita (Log Scale)",
y = "Life Expectancy (Years)",
size = "Population",
color = "Continent"
) +
theme_bw()
df_pop <- gapminder %>%
filter(year == 2007) %>%
group_by(continent) %>%
summarize(mean_lifeExp = mean(lifeExp))
ggplot(df_pop, aes(x = reorder(continent, mean_lifeExp), y = mean_lifeExp)) +
geom_col(fill = "steelblue", width = 0.6) +
coord_flip() +
labs(
title = "Người dân tại Châu Âu và Châu Úc có tuổi thọ trung bình cao nhất",
x = NULL,
y = "Tuổi thọ trung bình (năm)"
) +
theme_minimal()
Hai phiên bản khác nhau như thế nào?
| Phiên bản 1 (Nhà phân tích) | Phiên bản 2 (Người phổ thông) | |
|---|---|---|
| Biến số | 4 biến (GDP, tuổi thọ, dân số, châu lục) | 2 biến |
| Dữ liệu | Từng điểm quốc gia thô | Tổng hợp trung bình |
| Cấu trúc | Facet 5 ô | Một biểu đồ đơn |
| Tiêu đề | Mô tả kỹ thuật | Câu khẳng định kết luận |
Vì sao biểu đồ EDA không nhất thiết phù hợp để trình bày trước công chúng?
Biểu đồ EDA dùng để đào sâu, tìm lỗi và phát hiện xu hướng ẩn — đòi hỏi người xem phải tự mày mò và có chuyên môn. Người xem phổ thông cần thông điệp đã được lọc sạch nhiễu, hiểu được ngay trong vài giây.
Giữ lại và loại bỏ gì?
library(gapminder)
library(tidyverse)
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_point() +
scale_x_log10() +
labs(title = "Gốc: Overplotting nặng")
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_jitter(alpha = 0.3, width = 0.02) +
scale_x_log10() +
labs(title = "Kỹ thuật 1: Alpha + Jitter")
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_point(alpha = 0.4) +
scale_x_log10() +
facet_wrap(~continent) +
labs(title = "Kỹ thuật 2: Faceting theo Châu lục")
ggplot(gapminder, aes(x = gdpPercap, y = lifeExp)) +
geom_hex(bins = 30) +
scale_x_log10() +
scale_fill_viridis_c() +
labs(title = "Kỹ thuật 3: Hexbin Density")
| Kỹ thuật | Giữ thông tin | Dễ hiểu với người không chuyên |
|---|---|---|
| Alpha + Jitter | Cao — giữ từng điểm | Trung bình |
| Faceting | Cao nhất — bảo toàn outliers | Cao |
| Hexbin | Trung bình — gộp thành ô mật độ | Cao nhất |
Giữ nhiều thông tin nhất: Faceting kết hợp Alpha + Jitter.
Dễ hiểu nhất: Hexbin hoặc Faceting.
library(tidyverse)
set.seed(42)
cities <- c("Hà Nội", "TP.HCM", "Đà Nẵng", "Nha Trang", "Hội An")
aspects <- c("service", "room", "location", "cleanliness", "price")
sentiments <- c("Positive", "Neutral", "Negative")
languages <- c("Vietnamese", "English")
hotel_data <- tibble(
hotel_id = sample(1:50, 1000, replace = TRUE),
city = sample(cities, 1000, replace = TRUE,
prob = c(0.3, 0.3, 0.2, 0.1, 0.1)),
year = sample(2019:2023, 1000, replace = TRUE),
rating = round(runif(1000, 1, 5), 1),
sentiment = sample(sentiments, 1000, replace = TRUE,
prob = c(0.55, 0.25, 0.20)),
aspect = sample(aspects, 1000, replace = TRUE),
review_language = sample(languages, 1000, replace = TRUE,
prob = c(0.65, 0.35))
)trend_data <- hotel_data %>%
count(year, sentiment) %>%
group_by(year) %>%
mutate(percent = n / sum(n) * 100)
ggplot(trend_data, aes(x = year, y = percent, color = sentiment, group = sentiment)) +
geom_line(linewidth = 1.2) +
geom_point(size = 3) +
scale_color_manual(values = c("Negative" = "red", "Neutral" = "gray", "Positive" = "green")) +
labs(
title = "Xu hướng Sentiment của Khách sạn VN (2019–2023)",
x = "Năm", y = "Tỷ lệ (%)"
) +
theme_minimal()
heatmap_data <- hotel_data %>%
mutate(score = case_when(
sentiment == "Positive" ~ 1,
sentiment == "Neutral" ~ 0,
TRUE ~ -1
)) %>%
group_by(city, aspect) %>%
summarize(mean_score = mean(score), .groups = "drop")
ggplot(heatmap_data, aes(x = aspect, y = city, fill = mean_score)) +
geom_tile(color = "white") +
scale_fill_gradient2(low = "red", mid = "white", high = "green", midpoint = 0) +
labs(
title = "Ma trận Sentiment theo Khía cạnh và Thành phố",
x = "Khía cạnh", y = "Thành phố", fill = "Chỉ số hài lòng"
) +
theme_minimal()
ggplot(hotel_data, aes(x = city, y = rating, fill = city)) +
geom_violin(alpha = 0.5) +
geom_jitter(width = 0.2, alpha = 0.3, size = 0.8) +
labs(
title = "Phân bố Rating theo Thành phố",
x = "Thành phố", y = "Rating"
) +
theme_minimal() +
theme(legend.position = "none")
lang_data <- hotel_data %>%
count(review_language, city, sentiment) %>%
group_by(review_language, city) %>%
mutate(percent = n / sum(n) * 100)
ggplot(lang_data, aes(x = city, y = percent, fill = sentiment)) +
geom_bar(stat = "identity") +
facet_wrap(~review_language) +
scale_fill_manual(values = c("Negative" = "#e74c3c", "Neutral" = "#95a5a6", "Positive" = "#2ecc71")) +
coord_flip() +
labs(
title = "Cơ cấu Sentiment theo Ngôn ngữ Review và Thành phố",
x = "Thành phố", y = "Tỷ lệ (%)", fill = "Sentiment"
) +
theme_minimal()
Dựa trên kết quả trực quan hóa dữ liệu, ngành khách sạn Việt Nam giai đoạn 2019–2023 ghi nhận xu hướng hồi phục và chuyển biến tích cực. Biểu đồ đường cho thấy tỷ lệ đánh giá tích cực (Positive) tăng trưởng ổn định sau giai đoạn biến động, chứng minh nỗ lực nâng cao dịch vụ hậu đại dịch.
Khi đi sâu vào ma trận nhiệt (Heatmap) giữa các thành phố và khía cạnh (aspect), Đà Nẵng và Nha Trang nổi lên là những điểm sáng với chỉ số hài lòng cao toàn diện, đặc biệt ở yếu tố Vị trí (Location) và Vệ sinh (Cleanliness). Ngược lại, các trung tâm đô thị lớn như Hà Nội và TP.HCM đối mặt với nhiều thách thức hơn khi trục Giá cả (Price) và Dịch vụ (Service) thường rơi vào dải trung tính hoặc tiêu cực, phản ánh áp lực cạnh tranh và kỳ vọng khắt khe từ khách hàng.
Violin plot cho thấy phân bố rating tại các thành phố du lịch như Hội An và Đà Nẵng tập trung ở mức cao hơn và ít phân tán hơn so với các đô thị lớn. Biểu đồ phân mảnh (Facet) theo ngôn ngữ review chỉ ra khách quốc tế có xu hướng đánh giá khắt khe hơn đối với chất lượng nhân sự và dịch vụ.
Kết quả này gợi ý các nhà quản lý tại đô thị lớn cần ưu tiên tối ưu hóa trải nghiệm dịch vụ và cân đối chính sách giá để thu hẹp khoảng cách giữa chi phí và sự hài lòng thực tế của du khách. Đồng thời, cần lưu ý rằng các thành phố có ít review hơn (Hội An, Nha Trang) có thể có kết quả bị ảnh hưởng bởi cỡ mẫu nhỏ — cần thu thập thêm dữ liệu để tăng độ tin cậy của phân tích.