1) mpg데이터에서 연도별 배기량에 따른 도시/고속도로 연비를 꺽은선으로 그리시오.
(단, 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, union
mpg2 <- 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 rows
ggplot() +
geom_line(data = mpg2 %>% filter(year == '1999'), aes(x = displ, y = m1, color = '1999 cty')) +
geom_line(data = mpg2 %>% filter(year == '1999'), aes(x = displ, y = m2, color = '1999 hwy')) +
geom_line(data = mpg2 %>% filter(year == '2008'), aes(x = displ, y = m1, color = '2008 cty'), size = 2) +
geom_line(data = mpg2 %>% filter(year == '2008'), aes(x = displ, y = m2, color = '2008 hwy'), size = 2) +
scale_y_continuous(limits = c(5, 50)) +
labs(title = '연도별 통합 연비', subtitle = '(굵은선은 2008년)',
x = '배기량(cc)', y = '연비(M/h)', colour = '')
2) data(성적.csv) 데이터에서 국어 성적이 80점 이상인
학생들의 수를 성비가 보이도록 학급별로 막대그래프를 그리시오.
load("data/data.rda")
ggplot(data = data %>% filter(국어 >= 80), aes(반)) +
geom_bar(aes(x = 반, fill = 성별), width = 0.7) +
labs(title = '국어 우수 학생', subtitle = '(80점 이상)', x = '학급', y ='학생수', fill = '성별')
3) 국어 성적이 95점 이상인 학생들의 점수별 밀도그래프를 그리시오.
d3 <- data %>%
filter(국어 >= 95)
d3
## 학번 반 성별 국어 영어 수학 과학 예체
## 1 10119 매 남 98 35 84 55 42
## 2 10213 난 남 97 50 26 82 49
## 3 10228 난 여 97 40 82 95 82
## 4 10230 난 여 98 35 73 34 77
## 5 10308 국 남 98 74 47 48 87
## 6 10314 국 남 96 52 80 58 35
## 7 10315 국 여 97 82 31 41 50
## 8 10334 국 여 100 48 88 91 41
## 9 10406 죽 남 96 95 74 100 51
## 10 10413 죽 남 99 49 97 86 87
## 11 10424 죽 남 100 35 61 98 33
## 12 10428 죽 남 98 98 90 38 55
## 13 20209 난 여 98 56 44 86 38
## 14 20228 난 남 99 33 70 68 93
## 15 20229 난 여 97 29 71 54 71
## 16 20230 난 여 100 40 98 29 71
## 17 20307 국 남 95 97 28 58 91
## 18 20308 국 여 99 80 30 46 34
## 19 20313 국 남 100 98 78 61 40
## 20 20320 국 남 100 66 58 47 25
## 21 20328 국 남 95 53 64 28 100
## 22 20334 국 여 97 71 29 75 70
## 23 20405 죽 남 100 85 76 59 63
## 24 20410 죽 여 100 27 98 36 61
## 25 20429 죽 여 100 33 66 96 54
## 26 20440 죽 여 95 60 90 99 62
## 27 30102 매 여 99 33 98 88 35
## 28 30123 매 남 100 80 100 34 88
## 29 30131 매 남 95 42 28 91 70
## 30 30407 죽 여 97 99 38 44 76
## 31 30415 죽 남 98 86 92 27 63
## 32 30423 죽 여 98 75 52 98 69
## 33 30426 죽 여 100 72 82 87 57
## 34 30435 죽 남 99 51 65 65 63
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 AAR
m2 <- 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", x = "Area", y = "popasian",
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).
