0.1 Prerequisite
- Read file Rstudio_02 in eTL
0.2 Summary Statistics for Describing Data
## data input
gender <- factor(c("M", "M", "M", "M", "M", "M", "M", "M",
"F", "F", "F", "F", "F", "F", "F", "F", "F", "F"))
class(gender)## [1] "factor"gender <- factor(rep(c("M", "F"), times = c(8, 10))) # equivalent
score <- c(98, 90, 96, 54, 43, 87, 88, 90,
94, 92, 81, 79, 85, 91, 79, 88, 89, 83)
df <- data.frame(gender, score)
## histogram
hist(score)
# ?hist
hist(score, freq = FALSE) # density
hist(score, breaks = 10) # number of bins = 10
## plots
stem(score) # Stem-and-Leaf Plots##
## The decimal point is 1 digit(s) to the right of the |
##
## 4 | 34
## 6 | 99
## 8 | 13578890012468stem(score, scale = 2)##
## The decimal point is 1 digit(s) to the right of the |
##
## 4 | 3
## 5 | 4
## 6 |
## 7 | 99
## 8 | 1357889
## 9 | 0012468boxplot(score)
## summary
table(gender) # like pivot table in excel## gender
## F M
## 10 8table(gender)[1]## F
## 10fivenum(score) # minimum, 1Q, median, 2Q, maximum## [1] 43 81 88 91 98summary(score) # frequently used## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 43.00 81.50 88.00 83.72 90.75 98.00data(iris)
str(iris)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...head(iris)summary(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## quantile(score, probs = 0.75)## 75%
## 90.75quantile(score, probs = c(0, 0.25, 0.5, 0.75, 1)) ## 0% 25% 50% 75% 100%
## 43.00 81.50 88.00 90.75 98.00IQR(score)## [1] 9.25var(score)## [1] 195.9771sd(score)## [1] 13.99918min(score)## [1] 43max(score)## [1] 98median(score)## [1] 88## correlation and variance
math <- c(66, 64, 48, 46, 78, 60, 90, 50, 66, 70)
phy <- c(70, 68, 46, 48, 84, 64, 92, 52, 68, 72)
var(math, phy) # sample covariance## [1] 202.7556var(math, phy) / sqrt(var(math) * var(phy)) # sample correlation## [1] 0.9918056cor(math, phy) # equivalent## [1] 0.99180560.2.1 Bivariate Data
# scatter plot
plot(math, phy)
plot(math, phy,
main = "Math score and Physics score", # 제목
sub = "(total : 10)", # 소제목
xlim = c(0, 100), # plot에 그려질 x값의 limit
ylim = c(0,100), # plot에 그려질 y값의 limit
xlab = "Math", # x축 label
ylab = "Physics", # y축 label
type="p") # 데이터 표시타입(p = points)
plot(1:10, 1:10, type = "b", col = "red") # b = both (line and points)
plot(1:10, 1:10, type = "b", col = 2) # equivalent
For other colors for plotting, see this
For graphical parameters, look
?plot.default
?par
0.3 Other Topics: Summary and Visualiztion (Not for Exam)
How can you learn useful packages by yourself?
Typing ‘ggplot2 in cran’ in Google!
Comparing ggplot2 and R Base Graphics
Reproduce a Plot in The Elements of Statistical Learning
< Charles Minard’s 1869 chart showing the number of men in Napoleon’s 1812 Russian campaign arm, Source : Wiki >
## Install packages
# install.packages("dplyr")
# install.packages("Hmisc")
# call packages
library(dplyr)
library(Hmisc)## Warning: package 'Hmisc' was built under R version 3.4.1## Loading required package: lattice## Loading required package: survival## Loading required package: Formula##
## Attaching package: 'Hmisc'## The following objects are masked from 'package:dplyr':
##
## combine, src, summarize## The following objects are masked from 'package:base':
##
## format.pval, round.POSIXt, trunc.POSIXt, units## recommend to use 'packagename::function()' for readibility
dplyr::glimpse(iris)## Observations: 150
## Variables: 5
## $ Sepal.Length <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9,...
## $ Sepal.Width <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1,...
## $ Petal.Length <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5,...
## $ Petal.Width <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1,...
## $ Species <fct> setosa, setosa, setosa, setosa, setosa, setosa, s...Hmisc::describe(iris)## iris
##
## 5 Variables 150 Observations
## ---------------------------------------------------------------------------
## Sepal.Length
## n missing distinct Info Mean Gmd .05 .10
## 150 0 35 0.998 5.843 0.9462 4.600 4.800
## .25 .50 .75 .90 .95
## 5.100 5.800 6.400 6.900 7.255
##
## lowest : 4.3 4.4 4.5 4.6 4.7, highest: 7.3 7.4 7.6 7.7 7.9
## ---------------------------------------------------------------------------
## Sepal.Width
## n missing distinct Info Mean Gmd .05 .10
## 150 0 23 0.992 3.057 0.4872 2.345 2.500
## .25 .50 .75 .90 .95
## 2.800 3.000 3.300 3.610 3.800
##
## lowest : 2.0 2.2 2.3 2.4 2.5, highest: 3.9 4.0 4.1 4.2 4.4
## ---------------------------------------------------------------------------
## Petal.Length
## n missing distinct Info Mean Gmd .05 .10
## 150 0 43 0.998 3.758 1.979 1.30 1.40
## .25 .50 .75 .90 .95
## 1.60 4.35 5.10 5.80 6.10
##
## lowest : 1.0 1.1 1.2 1.3 1.4, highest: 6.3 6.4 6.6 6.7 6.9
## ---------------------------------------------------------------------------
## Petal.Width
## n missing distinct Info Mean Gmd .05 .10
## 150 0 22 0.99 1.199 0.8676 0.2 0.2
## .25 .50 .75 .90 .95
## 0.3 1.3 1.8 2.2 2.3
##
## lowest : 0.1 0.2 0.3 0.4 0.5, highest: 2.1 2.2 2.3 2.4 2.5
## ---------------------------------------------------------------------------
## Species
## n missing distinct
## 150 0 3
##
## Value setosa versicolor virginica
## Frequency 50 50 50
## Proportion 0.333 0.333 0.333
## ---------------------------------------------------------------------------Useful Contents
(Book) Ggplot2: Elegant Graphics for Data Analysis
0.4 Quiz2 (See ‘Rstudio_02 내 2.4.예제’)
due on 2018/3/20 11:59PM
[자료를 활용한 예제]
행동위험요인 감시시스템(The Behavioral Risk Factor Surveillance System)은 매년 미국에서 시행되는 대규모 전화 설문 조사이다. 이 조사에서는 응답자들의 현재 건강 상태 및 그들의 건강과 관련된 생활 습관 등을 조사한다.
이 조사에 관한 자세한 내용은 BRFSS 의 웹사이트에서 확인할 수 있다. 주어진 자료는 2000년도에 시행된 20,000명의 BRFSS 조사 데이터의 일부이며 전체 200개 이상의 항목 중에서 간추린 9개의 항목을 포함하고 있다. 각 변수에 대한 설명은 다음과 같다.
- genhlth : 범주형 자료, 전반적인 건강상태 (excellent / very good / good / fair / poor)
- exerany : 범주형 자료, 지난달의 운동 여부 (1 = yes, 0 = no)
- hlthplan : 범주형 자료, 건강보험 가입 여부 (1 = yes, 0 = no)
- smoke100 : 범주형 자료, 현재까지 최소 100개피 이상의 담배 흡연 여부 (1 = yes, 0 = no)
- height : 숫자형 자료, 신장 (inch)
- weight : 숫자형 자료, 체중 (pound)
- wtdesire : 숫자형 자료, 응답자가 생각하는 본인의 이상적인 체중 (pound)
- age : 숫자형 자료, 나이 (year)
- gender : 범주형 자료, 성별 (m = 남성, f = 여성)
[Step 1: 파일(cdc.txt) 불러오기]
# read.csv("filepath", header = TRUE, sep = ',')
# read.table("filepath", header = TRUE)
cdc <- read.table("DAT\\ch02\\cdc.txt", header = TRUE)
cdc# read.table("clipboard", header = TRUE) # [Ctrl+C] > clipboard로 데이터 불러오기[Step 2: Dataframe 다루기]
class(cdc)## [1] "data.frame"str(cdc)## 'data.frame': 20000 obs. of 9 variables:
## $ genhlth : Factor w/ 5 levels "excellent","fair",..: 3 3 3 3 5 5 5 5 3 3 ...
## $ exerany : int 0 0 1 1 0 1 1 0 0 1 ...
## $ hlthplan: int 1 1 1 1 1 1 1 1 1 1 ...
## $ smoke100: int 0 1 1 0 0 0 0 0 1 0 ...
## $ height : int 70 64 60 66 61 64 71 67 65 70 ...
## $ weight : int 175 125 105 132 150 114 194 170 150 180 ...
## $ wtdesire: int 175 115 105 124 130 114 185 160 130 170 ...
## $ age : int 77 33 49 42 55 55 31 45 27 44 ...
## $ gender : Factor w/ 2 levels "f","m": 2 1 1 1 1 1 2 2 1 2 ...head(cdc)tail(cdc)head(cdc$genhlth)## [1] good good good good very good very good
## Levels: excellent fair good poor very good[예제 1]. genhlth 변수에 대해 적절한 방법을 이용하여 요약해보자. 범주형 자료의 경우에는 어떠한 요약 방법을 사용할 수 있는가?(table())
[예제 2]. weight 변수에 대한 수치적 요약 값을 구해보자. 전체 응답자의 평균 몸무게는 얼마 인가?(mean(), summary(), IQR(), quantile(), var(), …)
[예제 3]. weight 변수와 wtdesire 변수의 산점도를 그려보자. 두 변수 사이에는 어떠한 관계가 존재한다고 보여지는가? 두 변수의 상관계수는 무엇은 나타내고 있는가?(plot( , main = ""), cor())
[예제 4]. wtdesire 변수와 weight 변수의 차를 계산하여 새로운 변수 wdiff 를 만들어보자. wdiff 의 분포는 어떠한가? 수치적 요약과 그래프 요약을 통해 살펴보자. 이것이 의미하는 바 는 무엇인가?(summary(), boxplot( , main = ""))
[예제 5]. age 변수를 이용하여 히스토그램을 그려보자. 그리고 구간의 수를 50, 100으로 바꿔 가며 동일한 히스토그램을 그린 후 비교해보자.(hist( , main = ""))
(참고) 히스토그램은 자료의 형태를 파악하기 위한 쉬운 방법이지만 구간의 수가 달라짐에 따라 그 모양이 조금씩 달라질 수 있다.