เรียนสถิตเบื้องต้นด้วยภาษา R
R Library
ในภาษา R จะมี library ที่มากับ package ให้ใช้เยอะมาก
library(readr) #สำหรับดึงข้อมูลจากภายนอก
library(dplyr) #สำหรับการจัดการข้อมูล##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(forcats) # Working with Categorical Variables (Factors)
library(lubridate)#สำหรับการจัดการในเรื่องของวัน เวลา##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2) #สำหรับสร้างกราฟ
library(lattice) #สำหรับสร้างจัดการกราฟ
library(extrafont) #สำหรับใช้ภาษาไทย## Registering fonts with RImport Data
data("diamonds")
#หรือเราสามารถ import จากเครื่องคอมพิวเตอร์เราก็ได้
# diamonds <- read_csv("C:/Projects/Data Science/Data/Diamonds.csv")
head(diamonds)# คำสั่งนี้จะแสดงข้อมูลตัวอย่าง 6 อันดับแรกของข็อมูล## # A tibble: 6 x 10
## carat cut color clarity depth table price x y z
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
## 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
## 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
## 4 0.290 Premium I VS2 62.4 58 334 4.2 4.23 2.63
## 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
## 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48Level of measures
ต่อไปจะเป็นการ จัดลำดับของขัอมูล จากข้อมูลจะเป็นการสุ่ม Ideal Premium Good Premium Good Very Good
ดังนั้นเราจะต้องจัดการกับข้อมูล และเรียงลำดับว่า เราจะกำหนด การวัดระดับอย่างไร โดยในคำสั่งจะ บอกว่า Fair < Good < Very Good < Premium < Ideal
## [1] Ideal Premium Good Premium Good Very Good
## Levels: Fair < Good < Very Good < Premium < Idealdiamonds$color<- factor(diamonds$color, levels=c('J','I','H','G','F','E','D'),
ordered=TRUE)
head(diamonds$color)## [1] E E E I J J
## Levels: J < I < H < G < F < E < Ddiamonds$clarity<-factor(diamonds$clarity,
levels=c('I1','SI1','SI2','VS1','VS2','VVS1','VVS2','IF'),
ordered=TRUE)
head(diamonds$clarity)## [1] SI2 SI1 VS1 VS2 SI2 VVS2
## Levels: I1 < SI1 < SI2 < VS1 < VS2 < VVS1 < VVS2 < IFการจัดเก็บข้อมูลในรูปแบบของตารางแจกแจงความถี่
โดยการนับความถี่ของแต่ละ cut และบรรจุในตาราง
diamonds$cut %>% table()## .
## Fair Good Very Good Premium Ideal
## 1610 4906 12082 13791 21551การจัดเก็บข้อมูลในรูปแบบของตารางความน่าจะเป็น
การคำนวณค่าสัดส่วน (Proportion) P = x/N
diamonds$cut %>% table() %>% prop.table()## .
## Fair Good Very Good Premium Ideal
## 0.02984798 0.09095291 0.22398962 0.25567297 0.39953652ค่าสัดส่วนมีค่าอยู่ระหว่าง 0 ถึง 1 เพื่อให้ง่ายต่อการแปลผลและอธิบาย นิยมนำค่าคงที่ 100 มาคูณ เรียกว่าค่า ร้อยละ หรือ %
diamonds$cut %>% table() %>% prop.table()*100## .
## Fair Good Very Good Premium Ideal
## 2.984798 9.095291 22.398962 25.567297 39.953652freq <- diamonds$cut %>% table() %>% prop.table()*100 #ตั้งชื่อให้กับตารางBar Chart แผนภูมิแท่ง
การสร้างกราฟแท่ง แสดงผลอัตราส่วนของ cut ในแต่ละแบบ ว่ามีสัดสวนเท่าไหร่ของเพรชทั้งหมด
barplot(freq, main = "Diamond Cut Quality - Percentage",ylab="Percent", xlab="Colour")
ใส่สีสวยๆ ให้สักหน่อย แล้วก็เรียงจากจำนวนมากไปหาน้อยด้วย เพื่อการสื่อความหมายได้ดีขึ้น
barplot(freq[order(freq, decreasing = TRUE)], main = "Diamond Cut Quality - Percentage",
ylab="Percent", xlab="Colour", col="deepskyblue")
ตัวอย่างการแจกแจงความถี่ (ตารางสองทาง)
table(diamonds$cut,diamonds$clarity) %>% prop.table(margin = 2) %>% round(3)##
## I1 SI1 SI2 VS1 VS2 VVS1 VVS2 IF
## Fair 0.283 0.031 0.051 0.021 0.021 0.005 0.014 0.005
## Good 0.130 0.119 0.118 0.079 0.080 0.051 0.056 0.040
## Very Good 0.113 0.248 0.228 0.217 0.211 0.216 0.244 0.150
## Premium 0.277 0.274 0.321 0.243 0.274 0.169 0.172 0.128
## Ideal 0.197 0.328 0.283 0.439 0.414 0.560 0.514 0.677การสร้างกราฟจากการแจกแจงความถี่ (ตารางสองทาง)
color_cut <- table(diamonds$color,diamonds$cut) %>% prop.table(margin = 2)
barplot(color_cut, main = "Diamond Colour by Cut Quality",
ylab="Proportion within Cut", xlab="Cut")
จะเห็นได้ว่า กราฟที่แสดงออกมา มันไม่ได้สื่อความหมายอะไรเลย ดังนั้น เราต้องจัดการให้กราฟของเราสามารถที่จะ ให้ความหมาย หรือสามารถแปรผลออกมาได้
barplot(color_cut, main = "Diamond Colour by Cut Quality",
ylab="Proportion within Cut",
xlab="Cut", beside=TRUE)
barplot(color_cut, main = "Diamond Colour by Cut Quality",ylab="Proportion within Cut",
xlab="Cut", beside=TRUE, legend=rownames(color_cut),
args.legend=c(x = "top",horiz=TRUE,title="Color"))
ว้าว!! เริ่มดูดีแล้วเฮะ แต่...มันยังไม่สวย แล้วอันที่เป็น แท่งๆมันยังไม่มีชื่อเลยอ่ะ เราใส่ชื่อให้มันสักหน่อยดีกว่า จะได้เข้าใจมากขึ้น
เยี่ยมไปเลย ตอนนี้กราฟเราก็สามารถสื่อความหมายได้แล้ว ดูแล้วเข้าใจเลย แต่มันก็ยังไม่สวยเลย สีมันจืดไปหน่อยนะ
library(RColorBrewer)# เรียกใช้บริการแพคเกจเพิ่มสักหน่อย ไหนๆก็มีมาให้ใช้ฟรีๆแล้ว :)มาเริ่มต้นใส่สีกันค่ะ
barplot(color_cut, main = "Diamond Colour by Cut Quality",ylab="Proportion within Cut",
xlab="Cut", beside=TRUE,
legend=rownames(color_cut),
args.legend=c(x = "top",horiz=TRUE,title="Color"),
ylim = c(0,.30),
col=brewer.pal(7, name = "RdBu"))
เริด!!!
Dot plot
สุ่มตัวอย่างมาสัก 30 ตัวอย่าง N = 30
diamonds_sample <- diamonds %>% sample_n(30)
qplot(data = diamonds_sample, x = carat, geom = "dotplot")## `stat_bindot()` using `bins = 30`. Pick better value with `binwidth`.
We can use the binwidth option to change the number stacks or breaks in the dot plot. ไม่รู้จะอธิบายเป็นภาษาไทยยังไง
diamonds_sample %>% qplot(data = ., x = carat, geom = "dotplot", binwidth =.1)
Histogram
Let’s look at a histogram of diamond depths, z .
diamonds$z %>% hist(xlab="Diamond Depth (mm)", main="Histogram of Diamond Depths (mm)",
col = "dodgerblue3")
เอ..กราฟนี้ก็แปลกๆ เหมือนข้อมูลมากองอยู่ที่ ช่วงระหว่าง 2 ถึง 6 ต้องจัดการสักหน่อย
diamonds$z %>% summary()## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.910 3.530 3.539 4.040 31.800diamonds_clean <- diamonds %>% filter(z < 6 & z > 2)
hist(diamonds_clean$z,xlab="Diamond Depth (mm)",main="Histogram of Diamond Depths (mm)", col = "dodgerblue3")
library(lattice)
diamonds_clean %>% histogram(~ z|cut,col="dodgerblue3",layout=c(1,5), data=.,xlab="Depth (mm)")
การวัดแนวโน้มเข้าสู่ส่วนกลาง (Measures of Central Tendency)
ค่าเฉลี่ยเลขคณิตหรือมัชฌิมเลขคณิต (Arithmetic Mean or Mean or Average; X-bar )
sum(diamonds_sample$depth)/length(diamonds_sample$depth) # sum(xi)/N## [1] 61.82333diamonds_sample$depth %>% mean()## [1] 61.82333เป็นค่ากลางที่ได้จากการนำเอาข้อมูลแต่ละตัวของหน่วยสังเกตมารวมกัน แล้ว นำผลรวมที่ได้มาหารด้วยจำนวนข้อมูลทั้งหมด
diamonds$carat %>% mean()## [1] 0.7979397พิสัย (Rage) คือ ผลต่างระหว่างข้อมูลที่มีค่าสูงสุดและค่าต่ าสุด ถ้าพิสัยมีค่ามาก แสดงว่าข้อมูลมีการกระจายมาก ถ้ามีค่าน้อยแสดงว่าข้อมูลมีการกระจายน้อย แต่พิสัยเป็นการวัดการ กระจายอย่างหยาบๆ เท่านั้น เพราะค านวณจากค่าสูงสุดและค่าต่ าสุดเท่านั้น หากข้อมูลมีค่าที่มากหรือ น้อยผิดปกติ จะท าให้ค่าพิสัยมีค่ามาก สูตร พิสัย (Range)= Maximun – Minimun
diamonds$carat %>% range() #Min and Max## [1] 0.20 5.01มัธยฐาน (Median) มัธยฐาน คือ ค่าที่มีตำแหน่งอยู่ตรงกลางของข้อมูลที่เรียงลำดับจากค่าน้อยไป มาก หรือ จากค่ามากไปน้อย จะทำให้มีจำนวนข้อมูลครึ่งหนึ่ง มีค่าสูงกว่ามัธยฐานและข้อมูลอีกครึ่งหนึ่งมี ค่าต่ำกว่ามัธยฐานธยฐาน
diamonds$carat %>% median() # Median## [1] 0.7ความแปรปรวน (Variance; S.D.2 ) เป็นค่าเฉลี่ยของความแตกต่างกำลังสองของ ข้อมูลแต่ละตัวกับค่าเฉลี่ย (Mean Square Deviation: ส่วนเบี่ยงเบนกำลังสองเฉลี่ย) คือ ส่วนเบี่ยงเบน มาตรฐานยกกำลังสองนั่นเอง
diamonds$carat %>% var()## [1] 0.2246867ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation; S.D. หรือ S.) เป็นค่าเฉลี่ย ของความแตกต่างของข้อมูลแต่ละตัวกับค่าเฉลี่ย(Mean) หรือ หมายถึง โดยเฉลี่ยๆ แล้ว ข้อมูลแต่ละตัวมี ความแตกต่าง(ห่าง)จากค่าเฉลี่ย มากน้อยเพียงใด ถ้าห่างมากแสดงว่าข้อมูลมีการกระจายมาก ถ้าห่าง น้อยแสดงว่าข้อมูลมีการกระจายน้อย ส่วนเบี่ยงเบนมาตรฐานของข้อมูล
diamonds$carat %>% sd()## [1] 0.4740112พิสัยควอไทล์ (Interquartile Rang; IQR) = Q3 - Q1
diamonds$carat %>% quantile() #Quartiles## 0% 25% 50% 75% 100%
## 0.20 0.40 0.70 1.04 5.01diamonds$carat %>% IQR() #Interquartile range## [1] 0.64diamonds %>% group_by(cut) %>% summarise(Min = min(carat,na.rm = TRUE),
Q1 = quantile(carat,probs = .25,na.rm = TRUE),
Median = median(carat, na.rm = TRUE),
Q3 = quantile(carat,probs = .75,na.rm = TRUE),
Max = max(carat,na.rm = TRUE),
Mean = mean(carat, na.rm = TRUE),
SD = sd(carat, na.rm = TRUE),
n = n(),
Missing = sum(is.na(carat)))## `summarise()` ungrouping output (override with `.groups` argument)## # A tibble: 5 x 10
## cut Min Q1 Median Q3 Max Mean SD n Missing
## <ord> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <int> <int>
## 1 Fair 0.22 0.7 1 1.2 5.01 1.05 0.516 1610 0
## 2 Good 0.23 0.5 0.82 1.01 3.01 0.849 0.454 4906 0
## 3 Very Good 0.2 0.41 0.71 1.02 4 0.806 0.459 12082 0
## 4 Premium 0.2 0.41 0.86 1.2 4.01 0.892 0.515 13791 0
## 5 Ideal 0.2 0.35 0.54 1.01 3.5 0.703 0.433 21551 0diamonds %>% group_by(cut, color) %>% summarise(Min = min(carat,na.rm = TRUE),
Q1 = quantile(carat,probs = .25,na.rm =TRUE),
Median = median(carat, na.rm = TRUE),
Q3 = quantile(carat,probs = .75,na.rm =TRUE),
Max = max(carat,na.rm = TRUE),
Mean = mean(carat, na.rm = TRUE),
SD = sd(carat, na.rm = TRUE),
n = n(),
Missing = sum(is.na(carat)))## `summarise()` regrouping output by 'cut' (override with `.groups` argument)## # A tibble: 35 x 11
## # Groups: cut [5]
## cut color Min Q1 Median Q3 Max Mean SD n Missing
## <ord> <ord> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <int> <int>
## 1 Fair J 0.3 0.905 1.03 1.68 5.01 1.34 0.734 119 0
## 2 Fair I 0.41 0.885 1.01 1.50 3.02 1.20 0.522 175 0
## 3 Fair H 0.33 0.9 1.01 1.51 4.13 1.22 0.548 303 0
## 4 Fair G 0.23 0.7 0.98 1.07 2.6 1.02 0.493 314 0
## 5 Fair F 0.25 0.6 0.9 1.01 2.58 0.905 0.419 312 0
## 6 Fair E 0.22 0.552 0.9 1.01 2.04 0.857 0.365 224 0
## 7 Fair D 0.25 0.7 0.9 1.01 3.4 0.920 0.405 163 0
## 8 Good J 0.28 0.71 1.02 1.5 3 1.10 0.537 307 0
## 9 Good I 0.3 0.7 1 1.5 3.01 1.06 0.576 522 0
## 10 Good H 0.25 0.51 0.9 1.09 3.01 0.915 0.498 702 0
## # ... with 25 more rowsdiamonds$carat %>% boxplot(main="Box Plot of Diamond Carat", ylab="Carat", col = "grey")
diamonds %>% boxplot(carat ~ cut, data = ., main="Box Plot of Diamond Carat by Cut",
ylab = "Carat", xlab = "cut", col="grey")
Scatter plots
เพื่อดูการกระจายและความสัมพันธ์ระหว่างตัวแปรสองตัว
plot(y ~ x, data = diamonds, ylab="Width (mm)", xlab="Length (mm)", col="orangered",
main="Length by Width")
สังเกตจากกราฟ ข้อมูลจะมีความหนาแน่นอยู่ในช่วง 0..20 ดังนั้น เราจึงต้องแก้ไขกราฟ ให้สนใจเฉพาะข้อมูลที่อยู่ในช่วงนั้น
diamonds_clean <- diamonds %>% filter(y < 20 & x > 0)
plot(y ~ x, data = diamonds_clean, ylab="Width (mm)", xlab="Length (mm)",
col="orangered",main="Length by Width")
Facebook Page: Jack of all trades, master of none