dplyr與ggplot2複習

安裝需要的packages

packages = c("dplyr","ggplot2")
existing = as.character(installed.packages()[,1])
for(pkg in packages[!(packages %in% existing)]) install.packages(pkg)

載入Package及Data

require(ggplot2)
require(dplyr)
data("diamonds")

2.1 dplyr 常用指令

1. select(col1, col2) : 選取資料集中的col1, col2 兩欄。

str(diamonds)

Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   53940 obs. of  10 variables:
 $ carat  : num  0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
 $ depth  : num  61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
 $ table  : num  55 61 65 58 58 57 57 55 61 61 ...
 $ price  : int  326 326 327 334 335 336 336 337 337 338 ...
 $ x      : num  3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
 $ y      : num  3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
 $ z      : num  2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...

共有10個 variables

# sql語法: SELECT carat, cut FROM diamonds;
str(diamonds %>% select(carat, cut))

Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   53940 obs. of  2 variables:
 $ carat: num  0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut  : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...

篩選後僅剩2個variables

2. distinct() : 排除資料集中重複的資料。

summary(diamonds %>% select(cut))

        cut       
 Fair     : 1610  
 Good     : 4906  
 Very Good:12082  
 Premium  :13791  
 Ideal    :21551  

五個Level各有許多筆資料。

# sql語法: SELECT DISTINCT cut FROM diamonds;
summary(diamonds %>% select(cut) %>% distinct())

        cut   
 Fair     :1  
 Good     :1  
 Very Good:1  
 Premium  :1  
 Ideal    :1  

將完全相同的資料排除，所以每個Level都只剩下一筆。

3. filter(condition) : 篩選符合條件的觀測值。

str(diamonds)

Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   53940 obs. of  10 variables:
 $ carat  : num  0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
 $ depth  : num  61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
 $ table  : num  55 61 65 58 58 57 57 55 61 61 ...
 $ price  : int  326 326 327 334 335 336 336 337 337 338 ...
 $ x      : num  3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
 $ y      : num  3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
 $ z      : num  2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...

diamonds資料集共有 53940 rows, 10 columns

# sql語法: SELECT * FROM diamonds WHERE cut='Fair';
dimonds_Fair <- diamonds %>% filter(cut == "Fair")
str(dimonds_Fair)

Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   1610 obs. of  10 variables:
 $ carat  : num  0.22 0.86 0.96 0.7 0.7 0.91 0.91 0.98 0.84 1.01 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 1 1 1 1 1 1 1 1 1 1 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 3 3 3 5 5 5 4 2 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 4 2 2 4 4 2 2 2 3 1 ...
 $ depth  : num  65.1 55.1 66.3 64.5 65.3 64.4 65.7 67.9 55.1 64.5 ...
 $ table  : num  61 69 62 57 55 57 60 60 67 58 ...
 $ price  : int  337 2757 2759 2762 2762 2763 2763 2777 2782 2788 ...
 $ x      : num  3.87 6.45 6.27 5.57 5.63 6.11 6.03 6.05 6.39 6.29 ...
 $ y      : num  3.78 6.33 5.95 5.53 5.58 6.09 5.99 5.97 6.2 6.21 ...
 $ z      : num  2.49 3.52 4.07 3.58 3.66 3.93 3.95 4.08 3.47 4.03 ...

diamonds 資料集中，cut 等級屬於“Fair”的共有1610筆資料。

4. group_by() + summarise() 分群彙總函數

• group_by() : 按照特定欄位進行分群。
• summarise(col_name = fun(col)) :分群後針對特定欄位進行彙總運算。
• col_name: 新欄位的名稱。
• fun: 彙總函數，例如總和-> sum()、平均-> average()、最大->max()
• col: 需要進行彙總運算的欄位。

假設diamonds資料集中是每一顆鑽石的資料，其中鑽石的cut可分為五種等級，我們希望得到資料集中每一種等級的鑽石克拉數總和為多少。

# sql語法: SELECT cut, SUM(carat) FROM diamonds GROUP BY cut;
diamonds %>% 
  group_by(cut) %>% 
  summarise(sum_carat = sum(carat))

5. mutate(col_name = ____ ) : 在資料集中增加新欄位

• col_name: 新欄位的名稱。
• ____: 運算動作。

head(diamonds)

假設我們想要新增一個新欄位 “average_price”，計算此鑽石每一克拉的平均價格。

diamonds %>% mutate(average_price = price / carat)

7. arrange(col): 按照資料欄位排序觀測值。

head(diamonds)

原先資料是沒有特定排序的。

# sql語法: SELECT * FROM diamonds ORDER BY carat;
head(diamonds) %>% arrange(desc(carat))

按照克拉數進行降冪排序。

8. top_n(n = num, wt = column) 取出column欄位最大的num筆資料

head(diamonds)

# sql語法: SELECT * FROM diamonds ORDER BY carat DESC LIMIT 3;
head(diamonds) %>% top_n(3, wt = carat)

從diamonds資料集的前6筆資料中，選擇克拉數最大的三筆資料。

# sql語法: SELECT * FROM diamonds ORDER BY carat ASC LIMIT 3;
head(diamonds) %>% top_n(-3, wt = carat)

從diamonds資料集的前6筆資料中，選擇克拉數最小的三筆資料。

更詳細的介紹可參考: 此份教材
以及完整的函數用法: &nbspdplyr Cheat Sheet

2.2 ggplot2

ggplot 是一個R常見的繪圖系統，將圖形視為從資料開始的一連串轉換，轉換的過程有許多程序以及繁瑣的語法，這邊為各位介紹最基本的語法及概念。

更詳細的ggplot使用範例可以參考: 此份教材
以及完整的函數用法: ggplot2 Cheat Sheet

ggplot將繪圖看作資料開始的一連串變化，這份教材將會提到最底層的三個級別。 資料來源： GTW Blog

diamonds # 使用ggplot內建的鑽石資料集作為示範資料

1. Data: 將資料送入ggplot() function中。

plot <- diamonds %>% ggplot()
plot

2. Aesthetics: 決定資料的維度。

diamonds %>% ggplot(aes(x = clarity, y = price))

使用aes() 來決定x軸及y軸的欄位分別為何。

3. Geometries: 決定圖形的種類。

ggplot內建有數種繪製的圖形種類:

• geom_bar() : 離散型變數長條圖
• geom_histogram() : 連續型變數長條圖
• geom_line() : 折線圖
• geom_boxplot() : 盒狀圖

不同的圖形種類需要提供不同的資料維度，以下為幾個參考範例:

diamonds %>% ggplot(aes(x = clarity, y = price)) + geom_boxplot()

diamonds %>% ggplot(aes(x = clarity)) + geom_bar()

diamonds %>% ggplot(aes(x = price)) + geom_histogram()