ML JOB2: Speed datting data
David Presencio Rodríguez
8/12/2018
En este trabajo vamos a tratar de ver si es posible con los los datos de una app de citas predecir si tendria exito la cita o si realmente se quedara en una simple quedada que no lleve a mas. Para ello, lo primero que hacemos es cargar el dataset, el cual he subido a la pagina github y lo cargamos. Esta es la base de datos con la que trataremos de llevar a cabo la prediccion.
url= "https://raw.githubusercontent.com/Presssen/MLwork/master/Speed%20Dating%20Data.csv"
df=read.csv(url)Una vez abierto en R el archivo vamos a pasar a verlo y observar las variables a las que nos enfrentamos.
str(df)## 'data.frame': 8378 obs. of 195 variables:
## $ iid : int 1 1 1 1 1 1 1 1 1 1 ...
## $ id : int 1 1 1 1 1 1 1 1 1 1 ...
## $ gender : int 0 0 0 0 0 0 0 0 0 0 ...
## $ idg : int 1 1 1 1 1 1 1 1 1 1 ...
## $ condtn : int 1 1 1 1 1 1 1 1 1 1 ...
## $ wave : int 1 1 1 1 1 1 1 1 1 1 ...
## $ round : int 10 10 10 10 10 10 10 10 10 10 ...
## $ position: int 7 7 7 7 7 7 7 7 7 7 ...
## $ positin1: int NA NA NA NA NA NA NA NA NA NA ...
## $ order : int 4 3 10 5 7 6 1 2 8 9 ...
## $ partner : int 1 2 3 4 5 6 7 8 9 10 ...
## $ pid : int 11 12 13 14 15 16 17 18 19 20 ...
## $ match : int 0 0 1 1 1 0 0 0 1 0 ...
## $ int_corr: num 0.14 0.54 0.16 0.61 0.21 0.25 0.34 0.5 0.28 -0.36 ...
## $ samerace: int 0 0 1 0 0 0 0 0 0 0 ...
## $ age_o : int 27 22 22 23 24 25 30 27 28 24 ...
## $ race_o : int 2 2 4 2 3 2 2 2 2 2 ...
## $ pf_o_att: num 35 60 19 30 30 ...
## $ pf_o_sin: num 20 0 18 5 10 ...
## $ pf_o_int: num 20 0 19 15 20 ...
## $ pf_o_fun: num 20 40 18 40 10 ...
## $ pf_o_amb: num 0 0 14 5 10 ...
## $ pf_o_sha: num 5 0 12 5 20 ...
## $ dec_o : int 0 0 1 1 1 1 0 0 1 0 ...
## $ attr_o : num 6 7 10 7 8 7 3 6 7 6 ...
## $ sinc_o : num 8 8 10 8 7 7 6 7 7 6 ...
## $ intel_o : num 8 10 10 9 9 8 7 5 8 6 ...
## $ fun_o : num 8 7 10 8 6 8 5 6 8 6 ...
## $ amb_o : num 8 7 10 9 9 7 8 8 8 6 ...
## $ shar_o : num 6 5 10 8 7 7 7 6 9 6 ...
## $ like_o : num 7 8 10 7 8 7 2 7 6.5 6 ...
## $ prob_o : num 4 4 10 7 6 6 1 5 8 6 ...
## $ met_o : int 2 2 1 2 2 2 2 2 2 2 ...
## $ age : int 21 21 21 21 21 21 21 21 21 21 ...
## $ field : Factor w/ 260 levels "","Acting","African-American Studies/History",..: 152 152 152 152 152 152 152 152 152 152 ...
## $ field_cd: num 1 1 1 1 1 1 1 1 1 1 ...
## $ undergra: Factor w/ 242 levels "","American University",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ mn_sat : Factor w/ 69 levels "","1,011.00",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ tuition : Factor w/ 116 levels "","10,052.00",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ race : int 4 4 4 4 4 4 4 4 4 4 ...
## $ imprace : int 2 2 2 2 2 2 2 2 2 2 ...
## $ imprelig: int 4 4 4 4 4 4 4 4 4 4 ...
## $ from : Factor w/ 270 levels "","94115","alabama",..: 56 56 56 56 56 56 56 56 56 56 ...
## $ zipcode : Factor w/ 410 levels "","0","1,040",..: 262 262 262 262 262 262 262 262 262 262 ...
## $ income : Factor w/ 262 levels "","106,663.00",..: 239 239 239 239 239 239 239 239 239 239 ...
## $ goal : int 2 2 2 2 2 2 2 2 2 2 ...
## $ date : int 7 7 7 7 7 7 7 7 7 7 ...
## $ go_out : int 1 1 1 1 1 1 1 1 1 1 ...
## $ career : Factor w/ 368 levels "","?","??","a research position",..: 185 185 185 185 185 185 185 185 185 185 ...
## $ career_c: num NA NA NA NA NA NA NA NA NA NA ...
## $ sports : int 9 9 9 9 9 9 9 9 9 9 ...
## $ tvsports: int 2 2 2 2 2 2 2 2 2 2 ...
## $ exercise: int 8 8 8 8 8 8 8 8 8 8 ...
## $ dining : int 9 9 9 9 9 9 9 9 9 9 ...
## $ museums : int 1 1 1 1 1 1 1 1 1 1 ...
## $ art : int 1 1 1 1 1 1 1 1 1 1 ...
## $ hiking : int 5 5 5 5 5 5 5 5 5 5 ...
## $ gaming : int 1 1 1 1 1 1 1 1 1 1 ...
## $ clubbing: int 5 5 5 5 5 5 5 5 5 5 ...
## $ reading : int 6 6 6 6 6 6 6 6 6 6 ...
## $ tv : int 9 9 9 9 9 9 9 9 9 9 ...
## $ theater : int 1 1 1 1 1 1 1 1 1 1 ...
## $ movies : int 10 10 10 10 10 10 10 10 10 10 ...
## $ concerts: int 10 10 10 10 10 10 10 10 10 10 ...
## $ music : int 9 9 9 9 9 9 9 9 9 9 ...
## $ shopping: int 8 8 8 8 8 8 8 8 8 8 ...
## $ yoga : int 1 1 1 1 1 1 1 1 1 1 ...
## $ exphappy: int 3 3 3 3 3 3 3 3 3 3 ...
## $ expnum : int 2 2 2 2 2 2 2 2 2 2 ...
## $ attr1_1 : num 15 15 15 15 15 15 15 15 15 15 ...
## $ sinc1_1 : num 20 20 20 20 20 20 20 20 20 20 ...
## $ intel1_1: num 20 20 20 20 20 20 20 20 20 20 ...
## $ fun1_1 : num 15 15 15 15 15 15 15 15 15 15 ...
## $ amb1_1 : num 15 15 15 15 15 15 15 15 15 15 ...
## $ shar1_1 : num 15 15 15 15 15 15 15 15 15 15 ...
## $ attr4_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ sinc4_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ intel4_1: int NA NA NA NA NA NA NA NA NA NA ...
## $ fun4_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ amb4_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ shar4_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ attr2_1 : num 35 35 35 35 35 35 35 35 35 35 ...
## $ sinc2_1 : num 20 20 20 20 20 20 20 20 20 20 ...
## $ intel2_1: num 15 15 15 15 15 15 15 15 15 15 ...
## $ fun2_1 : num 20 20 20 20 20 20 20 20 20 20 ...
## $ amb2_1 : num 5 5 5 5 5 5 5 5 5 5 ...
## $ shar2_1 : num 5 5 5 5 5 5 5 5 5 5 ...
## $ attr3_1 : int 6 6 6 6 6 6 6 6 6 6 ...
## $ sinc3_1 : int 8 8 8 8 8 8 8 8 8 8 ...
## $ fun3_1 : int 8 8 8 8 8 8 8 8 8 8 ...
## $ intel3_1: int 8 8 8 8 8 8 8 8 8 8 ...
## $ amb3_1 : int 7 7 7 7 7 7 7 7 7 7 ...
## $ attr5_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ sinc5_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ intel5_1: int NA NA NA NA NA NA NA NA NA NA ...
## $ fun5_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ amb5_1 : int NA NA NA NA NA NA NA NA NA NA ...
## $ dec : int 1 1 1 1 1 0 1 0 1 1 ...
## $ attr : num 6 7 5 7 5 4 7 4 7 5 ...
## [list output truncated]Ahora procedamos a obtener la informacion del dataset para hacer el estudio mas exhaustivo
Vemos que la base de datos es compleja. Tiene muchas celdas incompletas y ademas contamos con gran numero de variables. Por ello, ahora vamos a proceder a crear un nuevo dataset con las variables que consideramos relevantes para llevar a cabo nuestro estudio.
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondf2<- df %>% select("gender", "age_o","samerace","attr_o","age","imprace","goal","career_c","go_out","date","exphappy","expnum")
str(df2)## 'data.frame': 8378 obs. of 12 variables:
## $ gender : int 0 0 0 0 0 0 0 0 0 0 ...
## $ age_o : int 27 22 22 23 24 25 30 27 28 24 ...
## $ samerace: int 0 0 1 0 0 0 0 0 0 0 ...
## $ attr_o : num 6 7 10 7 8 7 3 6 7 6 ...
## $ age : int 21 21 21 21 21 21 21 21 21 21 ...
## $ imprace : int 2 2 2 2 2 2 2 2 2 2 ...
## $ goal : int 2 2 2 2 2 2 2 2 2 2 ...
## $ career_c: num NA NA NA NA NA NA NA NA NA NA ...
## $ go_out : int 1 1 1 1 1 1 1 1 1 1 ...
## $ date : int 7 7 7 7 7 7 7 7 7 7 ...
## $ exphappy: int 3 3 3 3 3 3 3 3 3 3 ...
## $ expnum : int 2 2 2 2 2 2 2 2 2 2 ...Vamos a renombrar las variables para hacerlas entendibles
names(df2) <- c("Genero", "Edad de la pareja","Misma raza","Nota cita","Edad","Importancia misma raza","Motivo cita","Carrera","Cuanto sales","Cantidad citas por semana","Opinion cita","Estima")Una vez renombradas las variables vamos a interpretar los
datos numericos.
{df2$Genero[df2$Genero ==1] <- "Hombre"
df2$Genero[df2$Genero ==0] <- "Mujer"
df2$Carrera[df2$Carrera ==1] <- "Derecho"
df2$Carrera[df2$Carrera ==2] <- "Matematicas"
df2$Carrera[df2$Carrera ==3] <- "Psicologia"
df2$Carrera[df2$Carrera ==4] <- "Farmacia"
df2$Carrera[df2$Carrera ==5] <- "Ingenieria"
df2$Carrera[df2$Carrera ==6] <- "Periodismo"
df2$Carrera[df2$Carrera ==7] <- "Historia, religion, filosofia"
df2$Carrera[df2$Carrera ==8] <- "Economia"
df2$Carrera[df2$Carrera ==9] <- "Educacion"
df2$Carrera[df2$Carrera ==10] <- "Fisica y quimica"
df2$Carrera[df2$Carrera ==11] <- "Trabajo social"
df2$Carrera[df2$Carrera ==12] <- "Pregrado"
df2$Carrera[df2$Carrera ==13] <- "Ciencias politicas"
df2$Carrera[df2$Carrera ==14] <- "Pelicula"
df2$Carrera[df2$Carrera ==15] <- "Bellas artes"
df2$Carrera[df2$Carrera ==16] <- "Idiomas"
df2$Carrera[df2$Carrera ==17] <- "Arquitectura"
df2$Carrera[df2$Carrera ==18] <- "Otro"
df2$`Misma raza`[df2$`Misma raza` ==1] <- "Si"
df2$`Misma raza`[df2$`Misma raza` ==0] <- "No"}Una vez lograda una buena base de datos, vamos a proceder a crear el
ARBOL DE DECISION.
Primero abrimos bibliotecas.
library(rpart)
library(rpart.plot)Creamos el Arbol de decision.
arbol <- rpart(`Opinion cita` ~ ., method = "class", data = df2 )Representamos graficamente el arbol.
print(arbol)## n=8277 (101 observations deleted due to missingness)
##
## node), split, n, loss, yval, (yprob)
## * denotes terminal node
##
## 1) root 8277 6244 5 (0.014 0.036 0.085 0.096 0.25 0.24 0.18 0.062 0.026 0.015)
## 2) Carrera=Arquitectura,Bellas artes,Ciencias politicas,Economia,Farmacia,Idiomas,Periodismo,Pregrado,Trabajo social 1622 1042 6 (0.02 0.044 0.062 0.15 0.19 0.36 0.051 0.08 0.011 0.039)
## 4) Importancia misma raza< 1.5 627 465 4 (0.016 0.049 0.083 0.26 0.22 0.11 0.099 0.057 0 0.1)
## 8) Motivo cita>=4.5 146 69 5 (0.068 0 0.22 0.041 0.53 0 0 0 0 0.14) *
## 9) Motivo cita< 4.5 481 325 4 (0 0.064 0.042 0.32 0.13 0.15 0.13 0.075 0 0.087) *
## 5) Importancia misma raza>=1.5 995 485 6 (0.022 0.041 0.048 0.078 0.16 0.51 0.02 0.094 0.018 0) *
## 3) Carrera=Derecho,Educacion,Fisica y quimica,Historia, religion, filosofia,Ingenieria,Matematicas,Pelicula,Psicologia 6655 4927 5 (0.013 0.034 0.091 0.083 0.26 0.21 0.21 0.058 0.03 0.0093)
## 6) Carrera=Derecho,Educacion,Fisica y quimica,Ingenieria,Pelicula 1855 1157 5 (0.028 0.032 0.058 0.091 0.38 0.15 0.15 0.065 0.051 0) *
## 7) Carrera=Historia, religion, filosofia,Matematicas,Psicologia 4800 3664 6 (0.0067 0.035 0.1 0.08 0.21 0.24 0.23 0.055 0.022 0.013)
## 14) Estima< 2.5 381 269 3 (0 0.081 0.29 0.076 0.16 0.18 0.17 0 0.047 0) *
## 15) Estima>=2.5 4419 3350 6 (0.0072 0.031 0.088 0.081 0.22 0.24 0.24 0.059 0.019 0.014)
## 30) Edad>=37.5 57 0 5 (0 0 0 0 1 0 0 0 0 0) *
## 31) Edad< 37.5 4362 3293 6 (0.0073 0.031 0.089 0.082 0.21 0.25 0.24 0.06 0.02 0.014)
## 62) Estima< 6.5 2973 2216 6 (0.011 0.023 0.093 0.1 0.21 0.25 0.21 0.063 0.024 0.0071)
## 124) Carrera=Matematicas 1392 1001 5 (0.023 0.01 0.15 0.053 0.28 0.23 0.17 0.06 0.017 0.015)
## 248) Cantidad citas por semana>=4.5 930 582 5 (0.015 0 0.14 0.034 0.37 0.24 0.11 0.04 0.015 0.023) *
## 249) Cantidad citas por semana< 4.5 462 336 7 (0.039 0.03 0.15 0.091 0.093 0.2 0.27 0.1 0.019 0) *
## 125) Carrera=Historia, religion, filosofia,Psicologia 1581 1142 6 (0 0.035 0.046 0.14 0.15 0.28 0.25 0.066 0.03 0) *
## 63) Estima>=6.5 1389 957 7 (0 0.048 0.08 0.039 0.2 0.22 0.31 0.053 0.011 0.03) *rpart.plot(arbol, extra = 100)
Va descendiendo la recta y cada vez el error se hace mas pequeno.
plotcp(arbol)
Mas adelante comentaremos los resultados.
K-MEANS
Te crea grupos de subconjuntos de los datos que tenemos cuyas observaciones sean “parecidas” entre si, y “distintas” de las observaciones de los otros subconjuntos.
Para realizar el k-means hace falta eliminar los NAs de las variables que vayas a utilizar. Procedo a realizar la eliminacion.
df3<- df %>% select("gender", "age_o","samerace","attr_o","age","imprace","goal","career_c","go_out","date","exphappy","expnum")
names(df3) <- c("Genero", "Edad de la pareja","Misma raza","Nota cita","Edad","Importancia misma raza","Motivo cita","Carrera","Cuanto sales","Cantidad citas por semana","Opinion cita","Estima")Vamos a eliminar las columnas con NAs para hacer el estudio mas sencillo.
Cuantos NAs hay por columna?
colSums(is.na(df3))## Genero Edad de la pareja
## 0 104
## Misma raza Nota cita
## 0 212
## Edad Importancia misma raza
## 95 79
## Motivo cita Carrera
## 79 138
## Cuanto sales Cantidad citas por semana
## 79 97
## Opinion cita Estima
## 101 6578# Datos
muting <- data.frame(df3)# 1. Encontrar filas con NAs# 2. Contar los NAs por columna
colSums(is.na(muting))## Genero Edad.de.la.pareja
## 0 104
## Misma.raza Nota.cita
## 0 212
## Edad Importancia.misma.raza
## 95 79
## Motivo.cita Carrera
## 79 138
## Cuanto.sales Cantidad.citas.por.semana
## 79 97
## Opinion.cita Estima
## 101 6578# Vemos que todas las columnas tienen NAs menos 2.
# 3. Dejamos solo las columnas sin NAs.
muting <- muting[,colSums(is.na(muting)) == 0]Como esto no nos sirve, ahora vamos a ver si eliminar las filas nos es util .
{df3 <- df3[!is.na(df3$`Opinion cita`),]
df3 <- df3[!is.na(df3$Carrera),]
df3 <- df3[!is.na(df3$Edad),]
df3 <- df3[!is.na(df3$`Edad de la pareja`),]
df3 <- df3[!is.na(df3$`Nota cita`),]
df3 <- df3[!is.na(df3$`Cantidad citas por semana`),]
df3 <- df3[!is.na(df3$Estima),]}colSums(is.na(df3))## Genero Edad de la pareja
## 0 0
## Misma raza Nota cita
## 0 0
## Edad Importancia misma raza
## 0 0
## Motivo cita Carrera
## 0 0
## Cuanto sales Cantidad citas por semana
## 0 0
## Opinion cita Estima
## 0 0Una vez sin NAs es las variables que nos interesan, vamos a proceder con clustering.
K-MEANS 2
Vamos a hacer 6 grupos…
(m1 <- kmeans(df3, 6))## K-means clustering with 6 clusters of sizes 328, 310, 220, 384, 302, 146
##
## Cluster means:
## Genero Edad de la pareja Misma raza Nota cita Edad
## 1 0.5213415 24.80488 0.3993902 5.839939 29.99390
## 2 0.3774194 24.71290 0.4774194 6.490323 23.92903
## 3 0.5318182 30.98636 0.4227273 6.459091 26.26364
## 4 0.6328125 23.93490 0.3281250 5.966146 23.22396
## 5 0.3543046 24.36424 0.3046358 6.084437 23.71192
## 6 0.7465753 23.78767 0.4452055 6.664384 24.49315
## Importancia misma raza Motivo cita Carrera Cuanto sales
## 1 2.503049 2.893293 4.070122 1.954268
## 2 5.838710 1.529032 5.525806 2.048387
## 3 3.927273 2.100000 4.363636 2.000000
## 4 3.309896 2.424479 2.023438 2.109375
## 5 4.334437 2.149007 8.672185 2.354305
## 6 2.006849 2.034247 4.773973 1.760274
## Cantidad citas por semana Opinion cita Estima
## 1 5.442073 5.490854 4.512195
## 2 4.880645 5.961290 9.393548
## 3 5.263636 5.581818 3.459091
## 4 4.986979 4.940104 2.661458
## 5 5.427152 5.612583 2.715232
## 6 3.013699 6.458904 17.397260
##
## Clustering vector:
## 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
## 4 4 4 4 4 4 3 4 4 4 2 2 2 2 2
## 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 4 4 4 4 4 4 3 4 4 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
## 4 4 4 4 4 4 3 4 4 4 2 2 2 2 2
## 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
## 2 2 2 2 2 6 6 6 6 6 6 6 6 6 6
## 91 92 93 94 95 97 98 99 100 101 102 103 104 105 106
## 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4
## 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 4 4 4 4 6 6 6 6 6 6 6 6 6 6 4
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
## 4 4 4 4 4 4 4 4 4 6 6 6 6 6 6
## 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151
## 6 6 6 6 2 2 2 2 2 2 2 2 2 2 2
## 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166
## 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1
## 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181
## 1 1 1 1 5 5 5 5 5 5 5 5 5 5 6
## 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196
## 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
## 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211
## 6 6 6 6 5 5 5 5 5 5 5 5 5 5 5
## 212 213 214 215 216 217 218 219 220 221 222 223 225 226 227
## 5 5 5 5 5 1 3 1 1 1 3 1 1 1 1
## 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242
## 1 1 3 3 1 4 3 4 4 4 4 4 3 4 4
## 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257
## 4 4 4 4 4 4 5 3 5 5 5 5 5 3 5
## 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
## 5 5 5 5 5 5 5 5 3 5 5 5 5 5 3
## 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287
## 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2
## 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302
## 2 2 2 2 2 2 2 2 2 5 5 5 5 5 5
## 303 304 305 306 307 308 309 310 311 312 329 330 331 332 333
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348
## 5 5 5 5 5 5 5 5 5 5 5 4 3 4 4
## 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363
## 4 4 4 3 4 4 4 4 4 4 4 4 4 3 4
## 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378
## 4 4 4 4 3 4 4 4 4 4 4 4 4 4 3
## 379 380 381 382 383 384 385 386 388 389 390 391 392 393 394
## 4 4 4 3 4 3 4 4 4 4 3 3 4 1 3
## 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409
## 1 1 1 1 1 3 1 1 1 1 1 1 1 1 5
## 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424
## 3 5 5 5 5 5 3 5 5 5 5 5 5 5 5
## 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439
## 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454
## 2 2 3 2 2 2 2 2 3 2 2 2 2 2 2
## 455 456 457 458 459 460 461 462 463 465 466 467 468 469 470
## 2 2 5 3 5 5 5 3 5 5 5 5 5 5 3
## 471 472 473 474 475 476 477 478 479 480 481 482 484 485 486
## 3 5 2 2 2 2 2 2 2 2 2 2 2 2 2
## 487 488 489 490 491 492 493 494 495 496 497 498 500 501 502
## 2 2 4 3 4 4 4 4 4 3 4 4 4 4 4
## 503 504 524 525 526 527 528 529 530 531 532 533 534 535 536
## 4 4 1 1 1 1 1 1 1 1 1 1 1 1 3
## 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551
## 1 1 1 1 1 1 4 4 4 4 4 4 4 4 4
## 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566
## 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4
## 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581
## 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4
## 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596
## 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4
## 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611
## 4 4 4 2 2 2 2 2 2 2 2 2 2 2 2
## 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626
## 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641
## 2 2 2 2 3 2 2 2 2 2 2 1 1 1 1
## 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656
## 1 1 1 1 1 1 1 1 3 1 1 1 1 1 1
## 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671
## 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2
## 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686
## 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5
## 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701
## 5 3 5 5 5 5 5 5 1 1 1 1 1 1 1
## 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716
## 1 1 1 1 1 3 1 1 1 1 1 1 4 4 4
## 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731
## 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4
## 732 733 734 735 736 737 738 739 741 742 743 744 745 746 747
## 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4
## 748 749 750 751 752 753 755 756 757 758 759 760 761 762 763
## 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1
## 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778
## 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793
## 1 1 1 1 3 1 1 1 1 1 1 4 4 4 4
## 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808
## 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4
## 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823
## 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## 824 825 826 827 828 849 850 851 852 853 854 855 856 857 858
## 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1
## 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873
## 3 1 1 1 1 1 1 1 1 1 3 4 4 3 4
## 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888
## 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5
## 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903
## 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2
## 904 905 906 907 908 909 910 913 914 915 916 917 918 919 920
## 2 2 2 2 2 1 1 3 1 1 1 1 1 4 4
## 923 924 925 926 927 928 929 930 933 934 935 936 937 938 939
## 4 4 4 4 4 4 1 1 3 3 1 1 1 1 1
## 940 943 944 945 946 947 948 949 950 953 954 955 956 957 958
## 1 3 3 1 1 1 1 5 5 3 3 5 5 5 5
## 959 960 963 964 965 966 967 968 969 970 973 974 975 976 977
## 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2
## 978 979 980 983 984 985 986 987 988 989 990 993 994 995 996
## 2 5 5 5 5 5 5 5 5 4 4 3 3 5 4
## 997 998 999 1000 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013
## 3 4 4 4 4 4 4 4 4 4 1 1 1 1 3
## 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028
## 1 1 1 3 1 1 1 1 1 1 1 1 1 5 5
## 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043
## 5 5 3 5 5 5 3 5 5 5 5 5 5 5 5
## 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058
## 5 5 5 5 5 3 5 5 5 3 5 5 5 5 5
## 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073
## 5 5 5 5 3 5 5 3 3 3 3 5 3 5 3
## 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088
## 5 5 5 5 5 3 3 2 2 2 2 3 2 3 2
## 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103
## 3 2 2 2 2 2 2 2 2 2 3 1 1 3 3
## 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118
## 3 3 1 3 1 1 1 1 1 1 1 3 1 3 4
## 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133
## 4 3 3 4 3 4 3 4 4 4 4 4 4 4 3
## 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148
## 4 1 1 1 1 3 1 1 1 3 1 1 1 1 1
## 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163
## 1 1 1 1 1 1 1 1 3 1 1 1 3 1 1
## 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178
## 1 1 1 1 1 1 1 1 1 1 3 3 1 3 1
## 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193
## 3 1 1 1 1 1 1 1 1 1 2 2 2 2 3
## 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208
## 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2
## 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223
## 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2
## 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238
## 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2
## 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253
## 2 2 2 2 3 1 1 3 3 3 3 1 3 1 1
## 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268
## 1 1 1 1 1 3 1 5 5 5 5 3 5 5 5
## 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283
## 3 5 5 5 5 5 5 5 5 5 3 4 4 3 3
## 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298
## 3 3 4 3 4 4 4 4 4 4 4 3 4 1 1
## 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313
## 1 1 3 1 3 1 3 1 1 1 1 1 1 1 1
## 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328
## 1 1 1 1 3 3 1 3 1 3 1 1 1 1 1
## 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343
## 1 1 1 1 3 5 5 5 5 3 5 3 3 3 5
## 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358
## 5 5 5 5 5 3 3 3 2 2 2 2 2 2 3
## 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373
## 3 3 2 2 2 2 2 2 3 3 3 4 4 4 4
## 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388
## 3 4 3 3 3 4 4 4 4 4 4 3 3 3 1
## 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403
## 1 1 1 1 1 3 3 3 1 1 1 1 1 1 3
## 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418
## 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433
## 1 1 1 1 6 6 6 6 6 6 6 6 6 6 6
## 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448
## 6 6 6 6 6 6 6 3 1 1 1 1 1 1 3
## 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463
## 3 3 1 1 1 1 1 1 3 3 2 6 6 6 6
## 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478
## 6 6 2 2 6 6 6 6 6 6 6 6 6 6 6
## 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493
## 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
## 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508
## 6 3 5 5 5 2 3 5 3 3 3 5 5 5 2
## 1509 1510 1511 1512 1513 1514 1515 1517 1518 1519 1520 1521 1522 1523 1524
## 5 5 3 3 3 4 4 3 3 4 3 3 3 4 4
## 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539
## 4 3 4 4 3 3 3 4 4 4 4 4 4 3 3
## 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554
## 3 4 4 4 4 4 4 3 3 3 4 4 4 4 4
## 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569
## 4 3 3 3 4 4 4 4 4 4 4 4 3 4 4
## 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584
## 4 4 4 4 3 3 3 4 4 4 4 4 4 4 4
## 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599
## 3 4 4 4 4 3 4 3 3 3 4 4 4 4 4
## 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614
## 4 3 3 3 5 5 5 3 3 5 3 3 3 5 5
## 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629
## 5 3 5 5 3 3 3 1 1 1 1 3 1 3 3
## 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644
## 3 1 1 1 1 1 1 3 3 3 5 5 5 5 3
## 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659
## 5 3 3 3 5 5 5 5 5 5 3 3 5 5 5
## 1660 1661 1662 1663 1665 1666 1667 1668 1669 1670 1671 1672 1673 1675 1676
## 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6
## 1687 1688 1689 1690 1691 1692 1693 1695 1697 1698 1699 1700 1701 1702 1703
## 2 2 2 2 2 2 2 2 6 6 6 6 6 6 6
## 1705 1706 1707 1708 1709 1710 1711 1712 1713 1715 1717 1718 1719 1720 1721
## 6 6 5 5 5 5 5 5 5 5 6 6 6 6 6
## 1722 1723 1725 1726 1727 1728 1729 1730 1731 1732 1733 1735 1736 1737 1738
## 6 6 6 6 4 4 4 4 4 4 4 4 4 4 4
## 1739 1740 1741 1742 1743 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754
## 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2
## 1755 1757 1758 1759 1760 1761 1762 1764 1765 1767 1768 1769 1770 1771 1772
## 2 4 4 4 4 4 4 4 4 2 2 2 2 2 2
## 1773 1774 1775 1777 1778 1779 1780 1781 1782 1783 1784 1785 1787 1788 1789
## 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## 1790 1791 1792 1793 1794 1795 1797 1798 1799 1800 1801 1802 1803 1804 1805
## 4 4 4 4 4 4 6 6 6 6 6 6 6 6 6
## 1807 1808 1809 1810 1811 1812 1813 1814 1815 1827 1828 1829 1830 1831 1832
## 6 6 6 6 6 6 6 6 6 5 5 5 5 5 5
## 1833 1834 1835 1837 1838 1839 1841 1843 1844 1845
## 5 5 5 5 5 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 13189.664 13770.390 10507.177 13881.229 12304.262 8764.308
## (between_SS / total_SS = 46.5 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
## [5] "tot.withinss" "betweenss" "size" "iter"
## [9] "ifault"table(df3$`Opinion cita`, m1$cluster)##
## 1 2 3 4 5 6
## 1 0 0 1 9 0 9
## 2 0 15 2 22 8 0
## 3 6 18 13 79 16 0
## 4 59 17 12 9 9 9
## 5 119 27 97 125 122 9
## 6 74 90 44 50 84 38
## 7 52 133 31 78 43 43
## 8 18 0 10 8 0 28
## 9 0 10 10 4 20 0
## 10 0 0 0 0 0 10Representamos en grafica los resultados…
plot(df3[c("Cantidad citas por semana", "Opinion cita")], col = m1$cluster)
points(m1$centers[,c("Cantidad citas por semana", "Opinion cita")], col = 1:3,pch = 16, cex=2)
aggregate(df3,by=list(m1$cluster),FUN=mean)## Group.1 Genero Edad de la pareja Misma raza Nota cita Edad
## 1 1 0.5213415 24.80488 0.3993902 5.839939 29.99390
## 2 2 0.3774194 24.71290 0.4774194 6.490323 23.92903
## 3 3 0.5318182 30.98636 0.4227273 6.459091 26.26364
## 4 4 0.6328125 23.93490 0.3281250 5.966146 23.22396
## 5 5 0.3543046 24.36424 0.3046358 6.084437 23.71192
## 6 6 0.7465753 23.78767 0.4452055 6.664384 24.49315
## Importancia misma raza Motivo cita Carrera Cuanto sales
## 1 2.503049 2.893293 4.070122 1.954268
## 2 5.838710 1.529032 5.525806 2.048387
## 3 3.927273 2.100000 4.363636 2.000000
## 4 3.309896 2.424479 2.023438 2.109375
## 5 4.334437 2.149007 8.672185 2.354305
## 6 2.006849 2.034247 4.773973 1.760274
## Cantidad citas por semana Opinion cita Estima
## 1 5.442073 5.490854 4.512195
## 2 4.880645 5.961290 9.393548
## 3 5.263636 5.581818 3.459091
## 4 4.986979 4.940104 2.661458
## 5 5.427152 5.612583 2.715232
## 6 3.013699 6.458904 17.397260plot(df3[c(“Cantidad citas por semana”, “Opinion cita”)], col = m1\(cluster) points(m1\)centers[,c(“Cantidad citas por semana”, “Opinion cita”)], col = 1:3,pch = 16, cex=2)
Como es obvio y ademas el grafico nos lo corrobora, a mayor cantidad de citas la opinion no varia desmesuradamente, sino que la media de las notas esta estancada en torno al 6 cuando hay muchas citas. En cambio, la opinion en la primera cita esta mejor valorada ya que la primera cita es especial y la gente se esfuerza mas por que salga bien.
Vamos a anadir una columna al dataset que nos revele al final si la relacion tendra exito o no.
Resumen de df2
table (df2$Genero)##
## Hombre Mujer
## 4194 4184table (df2$`Misma raza`)##
## No Si
## 5062 3316summary(df2$`Nota cita`)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.00 5.00 6.00 6.19 8.00 10.50 212Importancia de que la persona con la que quedas sea de la misma raza.
summary(df2$`Importancia misma raza`)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.000 1.000 3.000 3.785 6.000 10.000 79Eliminar las “,” e interpretar los puntos como “,”.
df$income <- as.numeric(as.character(gsub(",", "", df$income)))Vamos a crear un nuevo dataframe con 3 variables nuevas a estudiar y predecir;
“dec”, “dec_0”, y “match”.
df4<- df %>% select("iid","match","dec","dec_o","attr_o","career_c","exphappy")
names(df4) <- c("iid","Partido","Personas que eligieron","Personas que les eligieron","Nota cita","Carrera","Opinion cita")
# Una vez con el nuevo dataframe, vamos a proceder a emplear los datos para predecir como ser??
# la evoluci??n.
# El nuevo dataframe se llamar?? "pareja".
pareja <- data.frame()Creamos el dataframe con las variables que vamos a estudiar.
for(Carrera in unique(df4$`Opinion cita`)) {
Partido <- nrow(df4[df4$`Opinion cita`==Carrera & df4$Partido==1,])
No.partido <- nrow(df4[df4$`Opinion cita`==Carrera & df4$Partido==0,])
pareja <- rbind(pareja, c(Carrera, Partido, No.partido, Partido/No.partido))}
names(pareja) <- c("Carrera", "Partidos", "Fail Partidos", "Ratio")
pareja$Exito <- as.factor(ifelse(pareja$`Fail Partidos` >1000, "No", "Si"))Carreras.
{pareja$Carrera[pareja$Carrera ==1] <- "Derecho"
pareja$Carrera[pareja$Carrera ==2] <- "Matematicas"
pareja$Carrera[pareja$Carrera ==3] <- "Psicologia"
pareja$Carrera[pareja$Carrera ==4] <- "Farmacia"
pareja$Carrera[pareja$Carrera ==5] <- "Ingenieria"
pareja$Carrera[pareja$Carrera ==6] <- "Periodismo"
pareja$Carrera[pareja$Carrera ==7] <- "Historia, religion, filosofia"
pareja$Carrera[pareja$Carrera ==8] <- "Economia"
pareja$Carrera[pareja$Carrera ==9] <- "Educacion"
pareja$Carrera[pareja$Carrera ==10] <- "Fisica y quimica"
pareja$Carrera[pareja$Carrera ==11] <- "Trabajo social"
pareja$Carrera[pareja$Carrera ==12] <- "Pregrado"
pareja$Carrera[pareja$Carrera ==13] <- "Ciencias politicas"
pareja$Carrera[pareja$Carrera ==14] <- "Pelicula"
pareja$Carrera[pareja$Carrera ==15] <- "Bellas artes"
pareja$Carrera[pareja$Carrera ==16] <- "Idiomas"
pareja$Carrera[pareja$Carrera ==17] <- "Arquitectura"
pareja$Carrera[pareja$Carrera ==18] <- "Otro"}10 mayores y 10 inferiores
head(pareja[order(pareja[,4], decreasing=T),], 10)## Carrera Partidos Fail Partidos Ratio Exito
## 8 Fisica y quimica 42 184 0.2282609 Si
## 5 Periodismo 366 1738 0.2105869 No
## 11 Educacion 55 262 0.2099237 Si
## 6 Economia 106 508 0.2086614 Si
## 4 Historia, religion, filosofia 261 1315 0.1984791 No
## 9 <NA> 1380 6998 0.1971992 No
## 7 Ingenieria 348 1786 0.1948488 No
## 10 Matematicas 61 337 0.1810089 Si
## 2 Farmacia 136 758 0.1794195 Si
## 1 Psicologia 118 689 0.1712627 Sitail(pareja[order(pareja[,4], decreasing=T),], 10)## Carrera Partidos Fail Partidos Ratio Exito
## 5 Periodismo 366 1738 0.2105869 No
## 11 Educacion 55 262 0.2099237 Si
## 6 Economia 106 508 0.2086614 Si
## 4 Historia, religion, filosofia 261 1315 0.1984791 No
## 9 <NA> 1380 6998 0.1971992 No
## 7 Ingenieria 348 1786 0.1948488 No
## 10 Matematicas 61 337 0.1810089 Si
## 2 Farmacia 136 758 0.1794195 Si
## 1 Psicologia 118 689 0.1712627 Si
## 3 Derecho 31 186 0.1666667 SiDibujamos grafica que muestre cantidad de exito y fracaso en las parejas.
Como es de esperar, hay m??s fracaso que exito en general.
boxplot(pareja[pareja$Ratio<quantile(pareja$Ratio, 0.25),"Partidos"],
pareja[pareja$Ratio>quantile(pareja$Ratio, 0.75),"Partidos"],
pareja[pareja$Ratio<quantile(pareja$Ratio, 0.25),"Fail Partidos"],
pareja[pareja$Ratio>quantile(pareja$Ratio, 0.75),"Fail Partidos"],
col=c("slategrey", "pink", "slategray", "pink"), xlab=c("Partidos Fail Partidos"))
legend("topleft", legend=c("Fracaso", "Exito"), fill=c("pink", "slategray"), cex=1.5)
###########################################
Ahora vamos a ver y a ilustrar la relacion entre las variables
genero, partido y importancia de la raza. Vemos que el genero
marca la diferencia entre la importancia de la misma raza y
los partidos de cada genero.
df5<- df %>% select("match","gender","samerace")
names(df5) <- c("Partido", "Genero", "Misma raza")
library(flexclust)## Loading required package: grid## Loading required package: lattice## Loading required package: modeltools## Loading required package: stats4# data("volunteers")
df5 <- as.matrix(df5)set.seed(1)
model <- kcca(df5, k = 2, save.data = TRUE, family = kccaFamily("ejaccard"))Realizacion de grafico
df.pca <- prcomp(df5)
plot(model, data = df5, project = df.pca, main = "Cluster")
Perfil de segmento
barchart(model, strip.prefix = "#", shade = TRUE, layout = c(model@k, 1), main = "Clusters")