Изучаем данные ВОЗ и tidyverse

Продолжение

Изучение распределения непрерывных переменных

Данные Всемирной организации здравоохранения (ВОЗ) будут использованы в качестве иллюстрации к положениям, изложенным в книге Garrett Grolemund и Hadley Wickham “R for Data Science”. Web-версия в свободном доступе

Файл с данными, используемый для изучения материалов книги, собран с использованием пакета WHO. Создание файла описано ранее

Будут использованы пакеты, включенные в tidyverse

library(tidyverse)

Загружаем используемый файл

WHOData <- read.csv("WHOData.csv")
glimpse(WHOData)
## Observations: 181
## Variables: 10
## $ country                         <fctr> Bosnia and Herzegovina, Botsw...
## $ worldbankincomegroup            <fctr> Upper-middle-income, Upper-mi...
## $ PerCapitaTotalHealthExpenditure <dbl> 957.40, 870.84, 6468.50, 472.6...
## $ region                          <fctr> Europe, Africa, Europe, Weste...
## $ LifeExpectancy                  <dbl> 77.4, 65.7, 83.4, 69.4, 70.9, ...
## $ AdolescentBirthRate             <dbl> 11.0, 39.0, 2.0, 32.6, 56.0, 1...
## $ ContraceptivePrevalence         <dbl> 45.8, 52.8, 82.0, NA, 60.3, 63...
## $ LowBirthWeight                  <int> 5, 13, 6, 18, 13, 4, 14, 27, 5...
## $ LiteracyRate                    <int> 98, 85, NA, NA, 74, 100, 61, N...
## $ TotalFertilityRate              <dbl> 1.3, 2.6, 1.5, 3.3, 2.8, 1.6, ...
# преобразуем тип переменной country
WHOData$country <- as.character(WHOData$country)

# определим порядок в переменной
WHOData$worldbankincomegroup <- factor(WHOData$worldbankincomegroup, 
                                        levels = c("Low-income", "Lower-middle-income", "Upper-middle-income", "High-income"))

summary(WHOData)
##    country                   worldbankincomegroup
##  Length:181         Low-income         :29       
##  Class :character   Lower-middle-income:49       
##  Mode  :character   Upper-middle-income:48       
##                     High-income        :55       
##                                                  
##                                                  
##                                                  
##  PerCapitaTotalHealthExpenditure                   region  
##  Min.   :  24.96                 Africa               :47  
##  1st Qu.: 202.16                 Americas             :33  
##  Median : 698.30                 Eastern Mediterranean:20  
##  Mean   :1269.48                 Europe               :50  
##  3rd Qu.:1718.02                 South-East Asia      :10  
##  Max.   :9402.54                 Western Pacific      :21  
##                                                            
##  LifeExpectancy  AdolescentBirthRate ContraceptivePrevalence
##  Min.   :50.10   Min.   :  1.70      Min.   : 4.00          
##  1st Qu.:65.70   1st Qu.: 17.00      1st Qu.:34.40          
##  Median :73.50   Median : 45.70      Median :54.80          
##  Mean   :71.38   Mean   : 56.77      Mean   :51.21          
##  3rd Qu.:76.70   3rd Qu.: 84.00      3rd Qu.:70.30          
##  Max.   :83.70   Max.   :229.00      Max.   :88.40          
##                                      NA's   :16             
##  LowBirthWeight   LiteracyRate    TotalFertilityRate
##  Min.   : 3.00   Min.   : 29.00   Min.   :1.300     
##  1st Qu.: 6.00   1st Qu.: 71.00   1st Qu.:1.800     
##  Median : 9.00   Median : 90.00   Median :2.300     
##  Mean   :10.52   Mean   : 83.36   Mean   :2.863     
##  3rd Qu.:13.00   3rd Qu.: 98.00   3rd Qu.:3.800     
##  Max.   :34.00   Max.   :100.00   Max.   :7.600     
##  NA's   :7       NA's   :50

Exploratory Data Analysis (EDA)

Exploratory Data Analysis (EDA) - “разведочный” анализ данных, повторяющийся процесс, в ходе которого:

  1. Задаются касающиеся данных вопросы
  2. Ответы предполагают визуализацию, трансформацию и моделирование данных
  3. Полученные ответы становятся основой для новых вопросов

Визуализация распределений непрерывных переменных

В случае номинативных (категориальных) переменных подходящим методом является построение столбиковой диаграммы

WHOData %>% 
  ggplot(aes(worldbankincomegroup)) +
  geom_bar()

Для визуализации распределения количественных данных используются преимущественно гистограммы.

WHOData %>% 
  ggplot(aes(LifeExpectancy)) + 
  geom_histogram(binwidth = 1)

Значения диаграммы могут быть рассчитаны

WHOData %>%  
  count(cut_width(LifeExpectancy, 1))
## # A tibble: 32 × 2
##    `cut_width(LifeExpectancy, 1)`     n
##                            <fctr> <int>
## 1                     [49.5,50.5]     1
## 2                     (51.5,52.5]     2
## 3                     (52.5,53.5]     2
## 4                     (53.5,54.5]     2
## 5                     (56.5,57.5]     2
## 6                     (57.5,58.5]     4
## 7                     (58.5,59.5]     3
## 8                     (59.5,60.5]     6
## 9                     (60.5,61.5]     3
## 10                    (61.5,62.5]     5
## # ... with 22 more rows

Использование geom_density() дает хорошие возможности для визуализации количественных данных

WHOData %>% 
  ggplot(aes(LifeExpectancy)) + 
  geom_density()

WHOData %>% 
  ggplot(aes(LifeExpectancy, colour = region)) + 
  geom_density()

Визуализация распределения данных на одном графике

Посмотреть распределение количественных данных на одном графике можно, преобразовав данные с применением функции tidyr::gather

  1. в виде гистограммы
WHOData %>% 
  select(-c(country, worldbankincomegroup, region)) %>% 
  gather(indicator, , na.rm = TRUE) %>% 
  ggplot(aes(value)) + 
  geom_histogram(bins = 30) +
  facet_wrap(~ indicator, scales = "free")

  1. используя frequency polygon
WHOData %>% 
  select(-c(country, worldbankincomegroup, region)) %>% 
  gather(indicator, , na.rm = TRUE) %>% 
  ggplot(aes(value)) + 
  geom_freqpoly(bins = 30) +
  facet_wrap(~ indicator, scales = "free")

  1. в виде графика плотности
WHOData %>% 
  select(-c(country, worldbankincomegroup, region)) %>% 
  gather(indicator, , na.rm = TRUE) %>% 
  ggplot(aes(value)) + 
  geom_density() +
  facet_wrap(~ indicator, scales = "free")

To be continued