WHO Data Research
Valerie Egoshin
11/8/2016
Изучаем данные ВОЗ и tidyverse
Продолжение
Ковариация между категориальными переменными
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 :50Exploratory Data Analysis (EDA)
Exploratory Data Analysis (EDA) - “разведочный” анализ данных, повторяющийся процесс, в ходе которого:
- Задаются касающиеся данных вопросы
- Ответы предполагают визуализацию, трансформацию и моделирование данных
- Полученные ответы становятся основой для новых вопросов
Ковариация между категориальными переменными
Для представления совместного распределения двух категориальных переменных обычно используются таблицы сопряженности (Contingency table).
В R таблицы сопряженности могут быть созданы базовой функцией table()
with(WHOData, table(region, worldbankincomegroup))## worldbankincomegroup
## region Low-income Lower-middle-income Upper-middle-income
## Africa 25 13 7
## Americas 1 6 16
## Eastern Mediterranean 1 7 6
## Europe 0 7 12
## South-East Asia 1 7 2
## Western Pacific 1 9 5
## worldbankincomegroup
## region High-income
## Africa 2
## Americas 10
## Eastern Mediterranean 6
## Europe 31
## South-East Asia 0
## Western Pacific 6или функцией dplyr::count()
WHOData %>%
count(region, worldbankincomegroup)## Source: local data frame [22 x 3]
## Groups: region [?]
##
## region worldbankincomegroup n
## <fctr> <fctr> <int>
## 1 Africa Low-income 25
## 2 Africa Lower-middle-income 13
## 3 Africa Upper-middle-income 7
## 4 Africa High-income 2
## 5 Americas Low-income 1
## 6 Americas Lower-middle-income 6
## 7 Americas Upper-middle-income 16
## 8 Americas High-income 10
## 9 Eastern Mediterranean Low-income 1
## 10 Eastern Mediterranean Lower-middle-income 7
## # ... with 12 more rowsВизуально это может быть представлено следующим образом
WHOData %>%
ggplot(aes(region, worldbankincomegroup)) +
geom_count()
Диаграмму можно улучшить изменив направление подписей к оси x
WHOData %>%
ggplot(aes(region, worldbankincomegroup)) +
geom_count() +
theme(axis.text.x=element_text(angle=60, size=9, vjust= 0.5))
Возможен и такой вариант представления двух номинативных переменных
WHOData %>%
count(region, worldbankincomegroup) %>%
ggplot(aes(region, worldbankincomegroup)) +
geom_tile(aes(fill = n)) +
theme(axis.text.x=element_text(angle=60, size=9, vjust= 0.5))
To be continued