빅데이터 분석 시각화 포플 #1
um heejin
2019년 3월 14일
1) mpg데이터에서 연도별 배기량에 따른 도시/고속도로 연비를 꺽은선으로 그리시오.
(단, cty는 회색, hwy는 파란색, 2008년은 굵은 선으로 표현하시오)
library(ggplot2)
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, unionmpg2 <- mpg %>%
group_by(year, displ) %>%
summarise(m1 = mean(cty), m2 = mean(hwy))
mpg2 ## # A tibble: 50 x 4
## # Groups: year [2]
## year displ m1 m2
## <int> <dbl> <dbl> <dbl>
## 1 1999 1.6 24.8 31.6
## 2 1999 1.8 20.7 29.4
## 3 1999 1.9 32.3 43
## 4 1999 2 19.8 27.5
## 5 1999 2.2 20.7 27.3
## 6 1999 2.4 18.8 26.7
## 7 1999 2.5 18.3 25.5
## 8 1999 2.7 15.5 20
## 9 1999 2.8 16.5 24.9
## 10 1999 3 18 25.6
## # ... with 40 more rowsggplot(mpg2, aes(x=displ)) +
geom_line(aes(y=m1, color='1999 cty')) +
geom_line(aes(y=m2, color='1999 hwy')) +
scale_colour_manual("", breaks = c("1999 cty", "1999 hwy"),
values = c("gray", "pink")) +
xlab("배기량(cc)") +
xlim(1, 7) +
scale_y_continuous("연비(M/h)", limits = c(5, 50)) +
labs(title = '연도별 통합 연비', subtitle = '(굵은선은 2008년)') 
2) data(성적.csv) 데이터에서 국어 성적이 80점 이상인
학생들의 수를 성비가 보이도록 학급별로 막대그래프를 그리시오.
options(encoding=‘utf-8’) data <- read.csv(“data/성적.csv”)
d2 <- data %>% filter(국어 >= 80) %>% group_by(반, 성별) %>% summarise(cnt = n())
d2
ggplot(data = d2, aes(반)) + geom_bar(aes(x = 반, fill=성별), width = 0.7) + scale_fill_discrete(name = “성별”) + labs(title = ‘국어 우수 학생’, subtitle = “(80점 이상)”)
3) 국어 성적이 95점 이상인 학생들의 점수별 밀도그래프를 그리시오.
d3 <- data %>% filter(국어 >= 95) d3
ggplot(d3, aes(국어)) + geom_density(aes(fill=factor(반)), alpha=0.5) + labs(title=“반별 국어 우수 학생”, subtitle = “(국어 성적 A+)”, x = “성적”, y = “밀도”, fill = “학급”)
4) midwest데이터에서 전체인구와 아시아계 인구의 관계를 알아보기 위한 그래프를 그리시오.
(단, 전체인구는 50만명 이하, 아시아계인구는 1만명 이하만 표시되게)
midwest <- as.data.frame(ggplot2::midwest)
head(midwest)## PID county state area poptotal popdensity popwhite popblack
## 1 561 ADAMS IL 0.052 66090 1270.9615 63917 1702
## 2 562 ALEXANDER IL 0.014 10626 759.0000 7054 3496
## 3 563 BOND IL 0.022 14991 681.4091 14477 429
## 4 564 BOONE IL 0.017 30806 1812.1176 29344 127
## 5 565 BROWN IL 0.018 5836 324.2222 5264 547
## 6 566 BUREAU IL 0.050 35688 713.7600 35157 50
## popamerindian popasian popother percwhite percblack percamerindan
## 1 98 249 124 96.71206 2.5752761 0.1482826
## 2 19 48 9 66.38434 32.9004329 0.1788067
## 3 35 16 34 96.57128 2.8617170 0.2334734
## 4 46 150 1139 95.25417 0.4122574 0.1493216
## 5 14 5 6 90.19877 9.3728581 0.2398903
## 6 65 195 221 98.51210 0.1401031 0.1821340
## percasian percother popadults perchsd percollege percprof
## 1 0.37675897 0.18762294 43298 75.10740 19.63139 4.355859
## 2 0.45172219 0.08469791 6724 59.72635 11.24331 2.870315
## 3 0.10673071 0.22680275 9669 69.33499 17.03382 4.488572
## 4 0.48691813 3.69733169 19272 75.47219 17.27895 4.197800
## 5 0.08567512 0.10281014 3979 68.86152 14.47600 3.367680
## 6 0.54640215 0.61925577 23444 76.62941 18.90462 3.275891
## poppovertyknown percpovertyknown percbelowpoverty percchildbelowpovert
## 1 63628 96.27478 13.151443 18.01172
## 2 10529 99.08714 32.244278 45.82651
## 3 14235 94.95697 12.068844 14.03606
## 4 30337 98.47757 7.209019 11.17954
## 5 4815 82.50514 13.520249 13.02289
## 6 35107 98.37200 10.399635 14.15882
## percadultpoverty percelderlypoverty inmetro category
## 1 11.009776 12.443812 0 AAR
## 2 27.385647 25.228976 0 LHR
## 3 10.852090 12.697410 0 AAR
## 4 5.536013 6.217047 1 ALU
## 5 11.143211 19.200000 0 AAR
## 6 8.179287 11.008586 0 AARm2 <- midwest %>% filter(poptotal <= 500000 & popasian <= 10000)
ggplot(m2, aes(x=area, y=popasian))+
geom_point(aes(col=state, size =popasian))+
geom_smooth(method="auto",se=F) +
xlim(c(0, 0.1)) +
ylim(c(0, 10000))+
labs(subtitle = "Area Vs popasian",
y="popasian",
x="Area",
title = "각 Area 별 아시아계 인구",
caption = "Source : ggplot2::midwest") ## `geom_smooth()` using method = 'loess' and formula 'y ~ x'## Warning: Removed 1 rows containing non-finite values (stat_smooth).## Warning: Removed 1 rows containing missing values (geom_point).