—
과제 / 안진성
1. 변수명 바꾸기
mpg 데이터의 변수명은 긴 단어를 짧게 줄인 축약어로 되어있습니다. cty 변수는 도시 연비, hwy 변수는 고속도로 연비를 의미합니다. 변수명을 이해하기 쉬운 단어로 바꾸려고 합니다. mpg 데이터를 이용해서 아래 문제를 해결해 보세요.
Q1. ggplot2 패키지의 mpg 데이터를 사용할 수 있도록 불러온 뒤 복사본을 만드세요.
mpg<- as.data.frame(ggplot2::mpg)
mpg_new <- mpgQ2. 복사본 데이터를 이용해서 cty는 city로, hwy는 highway로 변수명을 수정하세요.
mpg_new <- rename(mpg_new, city = cty)
mpg_new <- rename(mpg_new, highway = hwy)Q3. 데이터 일부를 출력해서 변수명이 바뀌었는지 확인해 보세요. 아래와 같은 결과물이 출력되어야 합니다.
head(mpg_new) manufacturer model displ year cyl trans drv city highway fl class
1 audi a4 1.8 1999 4 auto(l5) f 18 29 p compact
2 audi a4 1.8 1999 4 manual(m5) f 21 29 p compact
3 audi a4 2.0 2008 4 manual(m6) f 20 31 p compact
4 audi a4 2.0 2008 4 auto(av) f 21 30 p compact
5 audi a4 2.8 1999 6 auto(l5) f 16 26 p compact
6 audi a4 2.8 1999 6 manual(m5) f 18 26 p compact2.교과서 123쪽 문제 수행하기
ggplot2 패키지에는 미국 동북중부 437개 지역의 인구통계 정보를 담은 midwest라는 데이터가 포함되어 있습니다. midwest 데이터를 사용해 데이터 분석 문제를 해결해보세요.
Q1. ggplot2 의 midwest 데이터를 데이터 프레임 형태로 불러와서 데이터의 특성을 파악하세요.
midwest <- as.data.frame(ggplot2::midwest)
head(midwest)## PID county state area poptotal popdensity popwhite popblack popamerindian
## 1 561 ADAMS IL 0.052 66090 1270.9615 63917 1702 98
## 2 562 ALEXANDER IL 0.014 10626 759.0000 7054 3496 19
## 3 563 BOND IL 0.022 14991 681.4091 14477 429 35
## 4 564 BOONE IL 0.017 30806 1812.1176 29344 127 46
## 5 565 BROWN IL 0.018 5836 324.2222 5264 547 14
## 6 566 BUREAU IL 0.050 35688 713.7600 35157 50 65
## popasian popother percwhite percblack percamerindan percasian percother
## 1 249 124 96.71206 2.5752761 0.1482826 0.37675897 0.18762294
## 2 48 9 66.38434 32.9004329 0.1788067 0.45172219 0.08469791
## 3 16 34 96.57128 2.8617170 0.2334734 0.10673071 0.22680275
## 4 150 1139 95.25417 0.4122574 0.1493216 0.48691813 3.69733169
## 5 5 6 90.19877 9.3728581 0.2398903 0.08567512 0.10281014
## 6 195 221 98.51210 0.1401031 0.1821340 0.54640215 0.61925577
## popadults perchsd percollege percprof poppovertyknown percpovertyknown
## 1 43298 75.10740 19.63139 4.355859 63628 96.27478
## 2 6724 59.72635 11.24331 2.870315 10529 99.08714
## 3 9669 69.33499 17.03382 4.488572 14235 94.95697
## 4 19272 75.47219 17.27895 4.197800 30337 98.47757
## 5 3979 68.86152 14.47600 3.367680 4815 82.50514
## 6 23444 76.62941 18.90462 3.275891 35107 98.37200
## percbelowpoverty percchildbelowpovert percadultpoverty percelderlypoverty
## 1 13.151443 18.01172 11.009776 12.443812
## 2 32.244278 45.82651 27.385647 25.228976
## 3 12.068844 14.03606 10.852090 12.697410
## 4 7.209019 11.17954 5.536013 6.217047
## 5 13.520249 13.02289 11.143211 19.200000
## 6 10.399635 14.15882 8.179287 11.008586
## inmetro category
## 1 0 AAR
## 2 0 LHR
## 3 0 AAR
## 4 1 ALU
## 5 0 AAR
## 6 0 AARtail(midwest)## PID county state area poptotal popdensity popwhite popblack
## 432 3047 WASHINGTON WI 0.025 95328 3813.1200 94465 125
## 433 3048 WAUKESHA WI 0.034 304715 8962.2059 298313 1096
## 434 3049 WAUPACA WI 0.045 46104 1024.5333 45695 22
## 435 3050 WAUSHARA WI 0.037 19385 523.9189 19094 29
## 436 3051 WINNEBAGO WI 0.035 140320 4009.1429 136822 697
## 437 3052 WOOD WI 0.048 73605 1533.4375 72157 90
## popamerindian popasian popother percwhite percblack percamerindan percasian
## 432 208 337 193 99.09470 0.1311262 0.2181940 0.3535163
## 433 672 2699 1935 97.89902 0.3596804 0.2205339 0.8857457
## 434 125 92 170 99.11288 0.0477182 0.2711262 0.1995488
## 435 70 43 149 98.49884 0.1496002 0.3611040 0.2218210
## 436 685 1728 388 97.50713 0.4967218 0.4881699 1.2314709
## 437 481 722 155 98.03274 0.1222743 0.6534882 0.9809116
## percother popadults perchsd percollege percprof poppovertyknown
## 432 0.2024589 59583 81.34032 23.39090 4.014568 94143
## 433 0.6350196 195837 87.98899 35.39678 7.667090 299802
## 434 0.3687316 30109 72.13790 16.54987 3.138596 44412
## 435 0.7686355 13316 70.00601 15.06458 2.620907 19163
## 436 0.2765108 88960 80.61938 24.99550 5.659847 133950
## 437 0.2105835 46796 78.29515 21.66638 4.583725 72685
## percpovertyknown percbelowpoverty percchildbelowpovert percadultpoverty
## 432 98.75692 3.237628 4.069854 2.584500
## 433 98.38767 3.121060 3.785820 2.590061
## 434 96.33004 8.488697 10.071411 6.953799
## 435 98.85478 13.786985 20.050708 11.695784
## 436 95.46038 8.804031 10.592031 8.660587
## 437 98.75008 8.525831 11.162997 7.375656
## percelderlypoverty inmetro category
## 432 4.280889 1 HLU
## 433 4.085479 1 HLU
## 434 10.338641 0 AAR
## 435 11.804558 0 AAR
## 436 6.661094 1 HAU
## 437 7.882918 0 AARView(midwest)
dim(midwest) ## [1] 437 28str(midwest) ## 'data.frame': 437 obs. of 28 variables:
## $ PID : int 561 562 563 564 565 566 567 568 569 570 ...
## $ county : chr "ADAMS" "ALEXANDER" "BOND" "BOONE" ...
## $ state : chr "IL" "IL" "IL" "IL" ...
## $ area : num 0.052 0.014 0.022 0.017 0.018 0.05 0.017 0.027 0.024 0.058 ...
## $ poptotal : int 66090 10626 14991 30806 5836 35688 5322 16805 13437 173025 ...
## $ popdensity : num 1271 759 681 1812 324 ...
## $ popwhite : int 63917 7054 14477 29344 5264 35157 5298 16519 13384 146506 ...
## $ popblack : int 1702 3496 429 127 547 50 1 111 16 16559 ...
## $ popamerindian : int 98 19 35 46 14 65 8 30 8 331 ...
## $ popasian : int 249 48 16 150 5 195 15 61 23 8033 ...
## $ popother : int 124 9 34 1139 6 221 0 84 6 1596 ...
## $ percwhite : num 96.7 66.4 96.6 95.3 90.2 ...
## $ percblack : num 2.575 32.9 2.862 0.412 9.373 ...
## $ percamerindan : num 0.148 0.179 0.233 0.149 0.24 ...
## $ percasian : num 0.3768 0.4517 0.1067 0.4869 0.0857 ...
## $ percother : num 0.1876 0.0847 0.2268 3.6973 0.1028 ...
## $ popadults : int 43298 6724 9669 19272 3979 23444 3583 11323 8825 95971 ...
## $ perchsd : num 75.1 59.7 69.3 75.5 68.9 ...
## $ percollege : num 19.6 11.2 17 17.3 14.5 ...
## $ percprof : num 4.36 2.87 4.49 4.2 3.37 ...
## $ poppovertyknown : int 63628 10529 14235 30337 4815 35107 5241 16455 13081 154934 ...
## $ percpovertyknown : num 96.3 99.1 95 98.5 82.5 ...
## $ percbelowpoverty : num 13.15 32.24 12.07 7.21 13.52 ...
## $ percchildbelowpovert: num 18 45.8 14 11.2 13 ...
## $ percadultpoverty : num 11.01 27.39 10.85 5.54 11.14 ...
## $ percelderlypoverty : num 12.44 25.23 12.7 6.22 19.2 ...
## $ inmetro : int 0 0 0 1 0 0 0 0 0 1 ...
## $ category : chr "AAR" "LHR" "AAR" "ALU" ...summary(midwest)## PID county state area
## Min. : 561 Length:437 Length:437 Min. :0.00500
## 1st Qu.: 670 Class :character Class :character 1st Qu.:0.02400
## Median :1221 Mode :character Mode :character Median :0.03000
## Mean :1437 Mean :0.03317
## 3rd Qu.:2059 3rd Qu.:0.03800
## Max. :3052 Max. :0.11000
## poptotal popdensity popwhite popblack
## Min. : 1701 Min. : 85.05 Min. : 416 Min. : 0
## 1st Qu.: 18840 1st Qu.: 622.41 1st Qu.: 18630 1st Qu.: 29
## Median : 35324 Median : 1156.21 Median : 34471 Median : 201
## Mean : 96130 Mean : 3097.74 Mean : 81840 Mean : 11024
## 3rd Qu.: 75651 3rd Qu.: 2330.00 3rd Qu.: 72968 3rd Qu.: 1291
## Max. :5105067 Max. :88018.40 Max. :3204947 Max. :1317147
## popamerindian popasian popother percwhite
## Min. : 4.0 Min. : 0 Min. : 0 Min. :10.69
## 1st Qu.: 44.0 1st Qu.: 35 1st Qu.: 20 1st Qu.:94.89
## Median : 94.0 Median : 102 Median : 66 Median :98.03
## Mean : 343.1 Mean : 1310 Mean : 1613 Mean :95.56
## 3rd Qu.: 288.0 3rd Qu.: 401 3rd Qu.: 345 3rd Qu.:99.07
## Max. :10289.0 Max. :188565 Max. :384119 Max. :99.82
## percblack percamerindan percasian percother
## Min. : 0.0000 Min. : 0.05623 Min. :0.0000 Min. :0.00000
## 1st Qu.: 0.1157 1st Qu.: 0.15793 1st Qu.:0.1737 1st Qu.:0.09102
## Median : 0.5390 Median : 0.21502 Median :0.2972 Median :0.17844
## Mean : 2.6763 Mean : 0.79894 Mean :0.4872 Mean :0.47906
## 3rd Qu.: 2.6014 3rd Qu.: 0.38362 3rd Qu.:0.5212 3rd Qu.:0.48050
## Max. :40.2100 Max. :89.17738 Max. :5.0705 Max. :7.52427
## popadults perchsd percollege percprof
## Min. : 1287 Min. :46.91 Min. : 7.336 Min. : 0.5203
## 1st Qu.: 12271 1st Qu.:71.33 1st Qu.:14.114 1st Qu.: 2.9980
## Median : 22188 Median :74.25 Median :16.798 Median : 3.8142
## Mean : 60973 Mean :73.97 Mean :18.273 Mean : 4.4473
## 3rd Qu.: 47541 3rd Qu.:77.20 3rd Qu.:20.550 3rd Qu.: 4.9493
## Max. :3291995 Max. :88.90 Max. :48.079 Max. :20.7913
## poppovertyknown percpovertyknown percbelowpoverty percchildbelowpovert
## Min. : 1696 Min. :80.90 Min. : 2.180 Min. : 1.919
## 1st Qu.: 18364 1st Qu.:96.89 1st Qu.: 9.199 1st Qu.:11.624
## Median : 33788 Median :98.17 Median :11.822 Median :15.270
## Mean : 93642 Mean :97.11 Mean :12.511 Mean :16.447
## 3rd Qu.: 72840 3rd Qu.:98.60 3rd Qu.:15.133 3rd Qu.:20.352
## Max. :5023523 Max. :99.86 Max. :48.691 Max. :64.308
## percadultpoverty percelderlypoverty inmetro category
## Min. : 1.938 Min. : 3.547 Min. :0.0000 Length:437
## 1st Qu.: 7.668 1st Qu.: 8.912 1st Qu.:0.0000 Class :character
## Median :10.008 Median :10.869 Median :0.0000 Mode :character
## Mean :10.919 Mean :11.389 Mean :0.3432
## 3rd Qu.:13.182 3rd Qu.:13.412 3rd Qu.:1.0000
## Max. :43.312 Max. :31.162 Max. :1.0000Q2. poptotal(전체 인구)을 total 로, popasian(아시아 인구)을 asian 으로 변수명을 수정하세요.
midwest <- rename(midwest,total=poptotal)
midwest <- rename(midwest,asian=popasian)Q3. total, asian 변수를 이용해 ‘전체 인구 대비 아시아 인구 백분율’ 파생변수를 만들고, 히스토그램을 만들어 도시들이 어떻게 분포하는지 살펴보세요.
midwest$ratio <- midwest$asian/midwest$total*100
hist(midwest$ratio)
Q4. 아시아 인구 백분율 전체 평균을 구하고, 평균을 초과하면 “large”, 그 외에는 “small”을 부여하는 파생변수를 만들어 보세요.
mean(midwest$ratio)## [1] 0.4872462midwest$ratio_if<-ifelse(midwest$ratio>mean(midwest$ratio),"large","small")
midwest$ratio_if## [1] "small" "small" "small" "small" "small" "large" "small" "small" "small"
## [10] "large" "small" "small" "small" "small" "large" "large" "small" "small"
## [19] "large" "small" "small" "large" "small" "small" "small" "small" "small"
## [28] "small" "small" "small" "small" "small" "small" "small" "small" "small"
## [37] "small" "small" "large" "small" "small" "small" "small" "small" "large"
## [46] "large" "large" "large" "large" "large" "small" "large" "small" "small"
## [55] "large" "large" "large" "small" "small" "large" "large" "small" "small"
## [64] "small" "small" "small" "small" "small" "small" "small" "small" "large"
## [73] "small" "small" "small" "small" "small" "small" "small" "small" "large"
## [82] "large" "small" "large" "small" "small" "small" "small" "large" "small"
## [91] "small" "large" "large" "small" "small" "small" "small" "small" "large"
## [100] "small" "large" "small" "small" "large" "large" "small" "small" "small"
## [109] "small" "small" "small" "small" "small" "small" "small" "small" "small"
## [118] "large" "small" "large" "small" "large" "small" "small" "small" "small"
## [127] "small" "small" "large" "small" "large" "small" "small" "small" "small"
## [136] "large" "small" "large" "small" "small" "small" "small" "large" "small"
## [145] "large" "small" "large" "small" "small" "small" "large" "small" "small"
## [154] "large" "large" "small" "small" "small" "small" "small" "small" "small"
## [163] "small" "small" "small" "large" "small" "small" "large" "small" "small"
## [172] "small" "large" "small" "small" "small" "small" "small" "small" "small"
## [181] "large" "small" "small" "large" "small" "large" "small" "small" "small"
## [190] "small" "small" "small" "small" "small" "small" "small" "small" "small"
## [199] "small" "small" "small" "small" "small" "small" "large" "small" "large"
## [208] "small" "small" "small" "small" "small" "small" "small" "small" "small"
## [217] "large" "small" "large" "small" "small" "large" "small" "small" "large"
## [226] "small" "large" "small" "large" "small" "large" "small" "large" "small"
## [235] "large" "small" "small" "small" "small" "large" "small" "small" "small"
## [244] "large" "small" "large" "small" "large" "small" "large" "small" "small"
## [253] "small" "small" "small" "small" "large" "small" "small" "small" "small"
## [262] "small" "small" "large" "small" "small" "large" "small" "small" "small"
## [271] "small" "small" "small" "small" "large" "large" "small" "small" "large"
## [280] "large" "small" "large" "small" "small" "small" "large" "small" "small"
## [289] "small" "small" "small" "small" "small" "small" "large" "small" "small"
## [298] "large" "small" "small" "small" "large" "small" "small" "small" "large"
## [307] "small" "large" "large" "small" "small" "small" "small" "small" "small"
## [316] "small" "small" "small" "small" "large" "small" "small" "large" "large"
## [325] "large" "small" "small" "small" "large" "small" "small" "large" "small"
## [334] "large" "small" "small" "small" "small" "small" "small" "small" "small"
## [343] "small" "large" "small" "small" "small" "small" "small" "small" "small"
## [352] "large" "small" "large" "small" "small" "small" "small" "small" "large"
## [361] "small" "large" "small" "large" "small" "small" "small" "small" "small"
## [370] "large" "small" "small" "large" "large" "small" "small" "small" "large"
## [379] "small" "small" "large" "large" "large" "small" "large" "small" "small"
## [388] "small" "large" "small" "small" "small" "small" "small" "large" "small"
## [397] "large" "small" "small" "small" "large" "large" "small" "small" "small"
## [406] "large" "small" "small" "small" "large" "large" "small" "large" "small"
## [415] "large" "small" "large" "small" "large" "large" "small" "small" "small"
## [424] "small" "large" "small" "small" "small" "small" "large" "small" "small"
## [433] "large" "small" "small" "large" "large"Q5. “large”와 “small”에 해당하는 지역이 얼마나 되는지, 빈도표와 빈도 막대 그래프를 만들어 확인해 보세요.
table(midwest$ratio_if)
large small
119 318 qplot(midwest$ratio_if)
3. 엑셀파일 불러들여 데이터 살펴보고 과제 수행하기
지난 시간에 엑셀파일을 불러들여오는 명령어를 배웠는데, 이번에는 주어진 엑셀파일 (mlu.xls)를 그 명령어를 이용해서 불러들인다음 오늘 배운 내용들을 수행해봅니다. 데이터는 엑셀파일의 두번째 sheet 에 있으므로 명령어를 잘 활용하여 불러들이기 바랍니다.
Q1. 데이터를 불러들여 mlu_data로 저장한 다음 카피본을 만든다.
mlu.data <- read_excel("e:/R_Project/연습/mlu.xls",sheet=2)
mlu.data2 = mlu.dataQ2. age 칼럼에는 몇개의 요인이 있는가?
table(mlu.data2$age)##
## A0 A1 A2
## 12 11 12Q3. utterances_mlu를 utterances로 words_mlu를 words로 이름을 바꾸라.
mlu.data2 <- rename(mlu.data2,utterances=utterances_mlu)
mlu.data2 <- rename(mlu.data2,words=words_mlu)Q4. 각 utterance 에 평균 몇개의 단어가 들어있는지를 계산해서 mlu라는 파생변수를 생성하라. (칼럼을 새로 추가하라는 말)
mlu.data2$mlu <- mlu.data2$words/mlu.data2$utterances
mlu.data2$mlu## [1] 2.279152 2.835398 1.729787 2.630728 2.791771 2.207815 2.970383 2.059369
## [9] 2.619858 2.819149 2.900474 2.131092 3.028623 2.745407 2.357259 2.428571
## [17] 2.661836 2.402985 2.692402 2.639798 2.541573 2.804412 2.209559 3.476091
## [25] 2.932133 3.025510 2.755418 3.184507 2.687273 2.814748 2.465517 2.849296
## [33] 2.980741 3.353873 3.340580Q5. summary 명령을 이용하여 mlu 의 평균및 quartile 값을 파악하라.
summary(mlu.data2$mlu)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.730 2.447 2.745 2.696 2.916 3.476Q6.mlu값을 4개의 등급으로 나누어 가장 문장 길이가 긴 그룹을 A, 그 다음 순서대로 B, C, D로 구분하여 파생변수 grade 칼럼을 생성하라.
mlu.data2$grade <- ifelse(mlu.data2$mlu > 2.916,"A",
ifelse(mlu.data2$mlu > 2.696,"B",
ifelse(mlu.data2$mlu > 2.447,"C","D")))
mlu.data2$grade## [1] "D" "B" "D" "C" "B" "D" "A" "D" "C" "B" "B" "D" "A" "B" "D" "D" "C" "D" "C"
## [20] "C" "C" "B" "D" "A" "A" "A" "B" "A" "C" "B" "C" "B" "A" "A" "A"Q7. age와 mlu 사이의 빈도분포를 table 명령어를 이용하여 구하라.
table(mlu.data2$age)##
## A0 A1 A2
## 12 11 12table(mlu.data2$mlu)##
## 1.72978723404255 2.05936920222635 2.13109243697479 2.20781527531083
## 1 1 1 1
## 2.20955882352941 2.2791519434629 2.35725938009788 2.40298507462687
## 1 1 1 1
## 2.42857142857143 2.46551724137931 2.54157303370787 2.61985815602837
## 1 1 1 1
## 2.63072776280323 2.63979848866499 2.66183574879227 2.68727272727273
## 1 1 1 1
## 2.69240196078431 2.74540682414698 2.75541795665635 2.79177057356608
## 1 1 1 1
## 2.80441176470588 2.81474820143885 2.81914893617021 2.8353982300885
## 1 1 1 1
## 2.84929577464789 2.90047393364929 2.93213296398892 2.97038327526132
## 1 1 1 1
## 2.98074074074074 3.02551020408163 3.02862254025045 3.18450704225352
## 1 1 1 1
## 3.34057971014493 3.35387323943662 3.47609147609148
## 1 1 1Q8.qplot을 이용하여 각 나이 그룹을 x 축으로 하여 mlu 값의 분포를 그래프로 그려라.
qplot(data=mlu.data2,x=age,y=mlu)