목차

2019년 프로야구 내야수비 실책수(율)와 승수(률) 의 상관관계

1.필요 팩키지 불러오기

2. 데이터 불러오기

3. cor함수 이용하여 p vlaue 및 상관관계

4. 각 변수에 상관관계 (히트맵 만들기)

1.필요 팩키지 불러오기 

library(tidyverse)
## ── Attaching packages ────────────────────────────────── tidyverse 1.3.1.9000 ──
## ✓ ggplot2 3.3.3     ✓ purrr   0.3.4
## ✓ tibble  3.1.2     ✓ dplyr   1.0.6
## ✓ tidyr   1.1.3     ✓ stringr 1.4.0
## ✓ readr   1.4.0     ✓ forcats 0.5.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library(readxl)
library(corrplot)
## corrplot 0.88 loaded

2. 데이터 불러오기

error_19<-read_xlsx("/Users/yongkookkim/Library/Mobile Documents/com~apple~CloudDocs/Baseball_stat_study/errors_2019.xlsx",col_names = T) 
error_19$error_percentage<-round(error_19$error_percentage,2)
error_19
## # A tibble: 10 x 8
##    team     rank   win win_percentage error_n chance    ds error_percentage
##    <chr>   <dbl> <dbl>          <dbl>   <dbl>  <dbl> <dbl>            <dbl>
##  1 doosan      1    88          0.615      50   1721  90.9             2.91
##  2 sk          2    88          0.615      57   1561  90.5             3.65
##  3 kiwoom      3    86          0.601      70   1676  89.6             4.18
##  4 lg          4    79          0.552      56   1707  91.2             3.28
##  5 nc          5    73          0.514      56   1702  89.7             3.29
##  6 kt          6    71          0.5        65   1781  90.2             3.65
##  7 kia         7    62          0.437      69   1643  90.0             4.2 
##  8 samsung     8    60          0.42       77   1594  89.5             4.83
##  9 hanhwa      9    58          0.403      68   1656  87.9             4.11
## 10 lotte      10    48          0.39       76   1696  88.5             4.48

3. cor함수 이용하여 p vlaue 및 상관관계

승률과 내야수비 에러율은 반비례 한다 p value= 0.2829 (0.05이하 임으로 통계적으로 유의 하다라고 볼수 있다.)

cor: -0.6866658 =음수 0.6566658 이므로 반비례 관계임을 알수 있다.

cor.test(x=error_19$win_percentage,y=error_19$error_percentage)
## 
##  Pearson's product-moment correlation
## 
## data:  error_19$win_percentage and error_19$error_percentage
## t = -2.6696, df = 8, p-value = 0.02838
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.91889834 -0.09997298
## sample estimates:
##        cor 
## -0.6863938

4. 각 변수에 상관관계 (히트맵 만들기)

히트맵 정렬하기
히트맵 시각화 하기 (한눈에 잘 보이게 만들기 )

error_19<-as_tibble(error_19)
str(error_19 )
## tibble [10 × 8] (S3: tbl_df/tbl/data.frame)
##  $ team            : chr [1:10] "doosan" "sk" "kiwoom" "lg" ...
##  $ rank            : num [1:10] 1 2 3 4 5 6 7 8 9 10
##  $ win             : num [1:10] 88 88 86 79 73 71 62 60 58 48
##  $ win_percentage  : num [1:10] 0.615 0.615 0.601 0.552 0.514 0.5 0.437 0.42 0.403 0.39
##  $ error_n         : num [1:10] 50 57 70 56 56 65 69 77 68 76
##  $ chance          : num [1:10] 1721 1561 1676 1707 1702 ...
##  $ ds              : num [1:10] 90.9 90.5 89.6 91.2 89.7 ...
##  $ error_percentage: num [1:10] 2.91 3.65 4.18 3.28 3.29 3.65 4.2 4.83 4.11 4.48
error_19_1 <- error_19 %>% select(-team)

error_cor <- cor(error_19_1)
round(error_cor,2)
##                   rank   win win_percentage error_n chance    ds
## rank              1.00 -0.99          -0.98    0.79  -0.02 -0.78
## win              -0.99  1.00           0.99   -0.74   0.01  0.74
## win_percentage   -0.98  0.99           1.00   -0.74   0.05  0.73
## error_n           0.79 -0.74          -0.74    1.00  -0.23 -0.69
## chance           -0.02  0.01           0.05   -0.23   1.00  0.15
## ds               -0.78  0.74           0.73   -0.69   0.15  1.00
## error_percentage  0.72 -0.68          -0.69    0.97  -0.46 -0.66
##                  error_percentage
## rank                         0.72
## win                         -0.68
## win_percentage              -0.69
## error_n                      0.97
## chance                      -0.46
## ds                          -0.66
## error_percentage             1.00
corrplot(error_cor)

corrplot(error_cor,method = "number")

corrplot_col<-colorRampPalette(c("#BB4444","#EE9988","#FFFFFF","#77AADD","#4477AA"))

mycorrplot_theme<- corrplot(error_cor,
         method="color",
         col=corrplot_col(200),
         type = "lower",
         order = "hclust",
         addCoef.col = "black",
         tl.col = "black",
         tl.srt = 45,
         diag = F)