Wykorzystanie metod data mining w analizie danych kredytowych
Marcin Bukowski
22 wrzesień 2022
Wstęp do analizy
Cel analizy
Przedmiotem analizy są dane kredytowe obejmujące zbiór informacji o 1000 osób, na podstawie których zostały one zaklasyfikowane jako ryzykowne lub nie pod względem możliwości spłaty przez nie zaciągniętego kredytu. Zbiór obejmuje informacje dotyczące 20 zmiennych (V1 - V20) opisujących kredytobiorcę. Wśród zmiennych znalazły się zmienne jakościowe i ilościowe. Zmienna “odpowiedź” (V21) w zbiorze danych odpowiada etykiecie ryzyka, zgodnie z przyjętym prze autora sposobem kodowania:
- 1 oznacza kredyt “zły”,
- 2 oznacza kredyt dobry.
Informacje na temat poszczególnych zmiennych można znaleźć na stronie:(https://archive.ics.uci.edu/ml/datasets/statlog+(german+credit+data).
credit <- read.table("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data")
print(head(credit))## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14 V15 V16 V17 V18
## 1 A11 6 A34 A43 1169 A65 A75 4 A93 A101 4 A121 67 A143 A152 2 A173 1
## 2 A12 48 A32 A43 5951 A61 A73 2 A92 A101 2 A121 22 A143 A152 1 A173 1
## 3 A14 12 A34 A46 2096 A61 A74 2 A93 A101 3 A121 49 A143 A152 1 A172 2
## 4 A11 42 A32 A42 7882 A61 A74 2 A93 A103 4 A122 45 A143 A153 1 A173 2
## 5 A11 24 A33 A40 4870 A61 A73 3 A93 A101 4 A124 53 A143 A153 2 A173 2
## 6 A14 36 A32 A46 9055 A65 A73 2 A93 A101 4 A124 35 A143 A153 1 A172 2
## V19 V20 V21
## 1 A192 A201 1
## 2 A191 A201 2
## 3 A191 A201 1
## 4 A191 A201 1
## 5 A191 A201 2
## 6 A192 A201 1Informacja dotycząca sposobu nawigacji w obiektach typu data frame w R:
- aby wywołać wybrane wiersze i kolumny z obiektu data frame należy podać nazwę obiektu oraz w nawiasie kwadratowym numer wybranego wiersza i numer wybranej kolumny,
- przykładowo fragment kodu
credit[3,5]spowoduje wyświetlenie w konsoli wartości znajdującej się w 3 wierszu i 5 kolumnie obiektucredit,
- chcąc wywołać wszystkie wartości z danej kolumny/wiersza w powyższym kodzie należy opuścić numer kolumny/wiersza - np. kod
credit[,5]spowoduje wywołanie wszystkich wierszy z 5 kolumny, natomiast kodcredit[3,]wywoła wartości wszystkich kolumn dla 3 wiersza,
- alternatywnie wartości dla danej kolumny można wywołać poprzez kod w ogólnej postaci
obiekt$nazwa_kolumny- np. kodcredit$V1spowoduje wyświetlenie wszystkich wartości z kolumny o nazwie V1,
- zastosowanie kodu:
credit[2:3, 5:8]spowoduje wyświetlenie wartości z 2 i 3 wiersza oraz z 5, 6, 7 i 8 kolumny,
- chcąc wywołać wartości z kilku kolumn/wierszy, które nie są obok siebie należy numery kolumn/wierszy podać w postaci wektora zapisywanego jako
c(numery wybranych wierszy/kolumn)- przykładowo kodcredit[c(2,4,6), c(11, 15)]wskazuje na wartości które znajdują się w 2, 4 i 6 wierszu oraz 11 i 15 kolumnie.
credit[c(2,4,6), c(11, 15)]## V11 V15
## 2 2 A152
## 4 4 A153
## 6 4 A153Zapoznanie się z danymi
Ogólne informacje na temat obiektu można użyskać poprzez wywołanie funkcji str - structure. w podsumowaniu:
- uzyskujemy informację dotyczącą liczby obserwacji i liczby zmiennych,
- nazwy kolejnych zmiennych,
- typu danej zmiennej,
- kilku pierwszych wartości danej zmiennej.
Na temat typu danych w R można przeczytać na stronie
str(credit)## 'data.frame': 1000 obs. of 21 variables:
## $ V1 : chr "A11" "A12" "A14" "A11" ...
## $ V2 : int 6 48 12 42 24 36 24 36 12 30 ...
## $ V3 : chr "A34" "A32" "A34" "A32" ...
## $ V4 : chr "A43" "A43" "A46" "A42" ...
## $ V5 : int 1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
## $ V6 : chr "A65" "A61" "A61" "A61" ...
## $ V7 : chr "A75" "A73" "A74" "A74" ...
## $ V8 : int 4 2 2 2 3 2 3 2 2 4 ...
## $ V9 : chr "A93" "A92" "A93" "A93" ...
## $ V10: chr "A101" "A101" "A101" "A103" ...
## $ V11: int 4 2 3 4 4 4 4 2 4 2 ...
## $ V12: chr "A121" "A121" "A121" "A122" ...
## $ V13: int 67 22 49 45 53 35 53 35 61 28 ...
## $ V14: chr "A143" "A143" "A143" "A143" ...
## $ V15: chr "A152" "A152" "A152" "A153" ...
## $ V16: int 2 1 1 1 2 1 1 1 1 2 ...
## $ V17: chr "A173" "A173" "A172" "A173" ...
## $ V18: int 1 1 2 2 2 2 1 1 1 1 ...
## $ V19: chr "A192" "A191" "A191" "A191" ...
## $ V20: chr "A201" "A201" "A201" "A201" ...
## $ V21: int 1 2 1 1 2 1 1 1 1 2 ...Kolejnym etapem zapoznania się z danymi jest sprawdzenie, czy obiekcie znajdują się pola bez wskazanej w nich wartości. Tego typu obszary oznaczane są jako is.na(nazwa_obiektu). Jako wynik funkcji otrzymuje się obiekt typu logicznego z wartościami TRUE jeśli w danym obszarze brak jest wartości, lub FALSE jeśli w obszarze znajdują się wartości. W przypadku większych obiektów do sprawdzenia kompletności danych można wykorzystać funkcję colSums(is.na(nazwa obiektu)) która podaje sumę kolumn po ich zamianie na wartości logiczne. Jeśli we wszystkich kolumnach znajdują się wartości (funkcja is.na() daje wynik FALSE) suma kolumn bedzie równa 0.
colSums(is.na(credit))## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14 V15 V16 V17 V18 V19 V20
## 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## V21
## 0Najważniejsze informacje dotyczące obiektu można uzyskać poprzez funkcję summary(nazwa_obiektu). W przypadku obiektu typu data frame dla zmiennych ilościowych funkcja podaje wartości statystyk, a dla zmiennych jakościowych udział poszczególnych wartości zmiennych.
summary(credit)## V1 V2 V3 V4
## Length:1000 Min. : 4.0 Length:1000 Length:1000
## Class :character 1st Qu.:12.0 Class :character Class :character
## Mode :character Median :18.0 Mode :character Mode :character
## Mean :20.9
## 3rd Qu.:24.0
## Max. :72.0
## V5 V6 V7 V8
## Min. : 250 Length:1000 Length:1000 Min. :1.000
## 1st Qu.: 1366 Class :character Class :character 1st Qu.:2.000
## Median : 2320 Mode :character Mode :character Median :3.000
## Mean : 3271 Mean :2.973
## 3rd Qu.: 3972 3rd Qu.:4.000
## Max. :18424 Max. :4.000
## V9 V10 V11 V12
## Length:1000 Length:1000 Min. :1.000 Length:1000
## Class :character Class :character 1st Qu.:2.000 Class :character
## Mode :character Mode :character Median :3.000 Mode :character
## Mean :2.845
## 3rd Qu.:4.000
## Max. :4.000
## V13 V14 V15 V16
## Min. :19.00 Length:1000 Length:1000 Min. :1.000
## 1st Qu.:27.00 Class :character Class :character 1st Qu.:1.000
## Median :33.00 Mode :character Mode :character Median :1.000
## Mean :35.55 Mean :1.407
## 3rd Qu.:42.00 3rd Qu.:2.000
## Max. :75.00 Max. :4.000
## V17 V18 V19 V20
## Length:1000 Min. :1.000 Length:1000 Length:1000
## Class :character 1st Qu.:1.000 Class :character Class :character
## Mode :character Median :1.000 Mode :character Mode :character
## Mean :1.155
## 3rd Qu.:1.000
## Max. :2.000
## V21
## Min. :1.0
## 1st Qu.:1.0
## Median :1.0
## Mean :1.3
## 3rd Qu.:2.0
## Max. :2.0w przypadku zmiennej typu chr funkcja summary podaje tylko długość ciągu. W analizie statystycznej często wykorzystywanym typem zmiennych jest factor. Zamiana zmiennej/obiektu na inny typ możliwy jest za pomocą funkcji as. .... Przykładowo funkcja as.factor() zamieni inny typ zmiennych na zmienną typu factor.
Według przyjętego sposobu kodowania dla zmiennej V21 wartość 1 - oznacza “zły” kredyt, zaś 2 - “dobry”. Bardziej naturalnym sposobem kodowania jest oznaczenie jako 0 - “złych” kredytów, zaś jako 1 - “dobrych”. Z tego też względu od wartości z kolumny V21 odejmujemy 1 aby otrzymać z jedynki - zero, a z dwójki - jedynkę.
Po przekształceniach otrzymuje się następujące wyniki dla funkcji str() oraz summary().
credit$V21<-credit$V21-1
names<-c(1,3,4,6,7,9,10,12,14,15,17,19,20)
credit[,names]<- lapply(credit[,names], factor)
credit$V21<-as.factor(credit$V21)
str(credit)## 'data.frame': 1000 obs. of 21 variables:
## $ V1 : Factor w/ 4 levels "A11","A12","A13",..: 1 2 4 1 1 4 4 2 4 2 ...
## $ V2 : int 6 48 12 42 24 36 24 36 12 30 ...
## $ V3 : Factor w/ 5 levels "A30","A31","A32",..: 5 3 5 3 4 3 3 3 3 5 ...
## $ V4 : Factor w/ 10 levels "A40","A41","A410",..: 5 5 8 4 1 8 4 2 5 1 ...
## $ V5 : int 1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
## $ V6 : Factor w/ 5 levels "A61","A62","A63",..: 5 1 1 1 1 5 3 1 4 1 ...
## $ V7 : Factor w/ 5 levels "A71","A72","A73",..: 5 3 4 4 3 3 5 3 4 1 ...
## $ V8 : int 4 2 2 2 3 2 3 2 2 4 ...
## $ V9 : Factor w/ 4 levels "A91","A92","A93",..: 3 2 3 3 3 3 3 3 1 4 ...
## $ V10: Factor w/ 3 levels "A101","A102",..: 1 1 1 3 1 1 1 1 1 1 ...
## $ V11: int 4 2 3 4 4 4 4 2 4 2 ...
## $ V12: Factor w/ 4 levels "A121","A122",..: 1 1 1 2 4 4 2 3 1 3 ...
## $ V13: int 67 22 49 45 53 35 53 35 61 28 ...
## $ V14: Factor w/ 3 levels "A141","A142",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ V15: Factor w/ 3 levels "A151","A152",..: 2 2 2 3 3 3 2 1 2 2 ...
## $ V16: int 2 1 1 1 2 1 1 1 1 2 ...
## $ V17: Factor w/ 4 levels "A171","A172",..: 3 3 2 3 3 2 3 4 2 4 ...
## $ V18: int 1 1 2 2 2 2 1 1 1 1 ...
## $ V19: Factor w/ 2 levels "A191","A192": 2 1 1 1 1 2 1 2 1 1 ...
## $ V20: Factor w/ 2 levels "A201","A202": 1 1 1 1 1 1 1 1 1 1 ...
## $ V21: Factor w/ 2 levels "0","1": 1 2 1 1 2 1 1 1 1 2 ...summary(credit)## V1 V2 V3 V4 V5 V6
## A11:274 Min. : 4.0 A30: 40 A43 :280 Min. : 250 A61:603
## A12:269 1st Qu.:12.0 A31: 49 A40 :234 1st Qu.: 1366 A62:103
## A13: 63 Median :18.0 A32:530 A42 :181 Median : 2320 A63: 63
## A14:394 Mean :20.9 A33: 88 A41 :103 Mean : 3271 A64: 48
## 3rd Qu.:24.0 A34:293 A49 : 97 3rd Qu.: 3972 A65:183
## Max. :72.0 A46 : 50 Max. :18424
## (Other): 55
## V7 V8 V9 V10 V11 V12
## A71: 62 Min. :1.000 A91: 50 A101:907 Min. :1.000 A121:282
## A72:172 1st Qu.:2.000 A92:310 A102: 41 1st Qu.:2.000 A122:232
## A73:339 Median :3.000 A93:548 A103: 52 Median :3.000 A123:332
## A74:174 Mean :2.973 A94: 92 Mean :2.845 A124:154
## A75:253 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :4.000 Max. :4.000
##
## V13 V14 V15 V16 V17
## Min. :19.00 A141:139 A151:179 Min. :1.000 A171: 22
## 1st Qu.:27.00 A142: 47 A152:713 1st Qu.:1.000 A172:200
## Median :33.00 A143:814 A153:108 Median :1.000 A173:630
## Mean :35.55 Mean :1.407 A174:148
## 3rd Qu.:42.00 3rd Qu.:2.000
## Max. :75.00 Max. :4.000
##
## V18 V19 V20 V21
## Min. :1.000 A191:596 A201:963 0:700
## 1st Qu.:1.000 A192:404 A202: 37 1:300
## Median :1.000
## Mean :1.155
## 3rd Qu.:1.000
## Max. :2.000
## Odkodowanie zmiennych
Ciąg wywoływanych funkcji spowoduje, iż finalnie otrzymujemy zestaw odkodowanych zmiennych ilościowych i jakościowych, które opisują cechy osób obiegających się o kredyt. Część zmiennych jakościowych to zmienne wyrażone w skali nominalnej, inne zaś - w skali porzadkowej.
credit$V1<-ifelse(credit$V1 == "A11", "< 0", ifelse(credit$V1 == "A12", "0-200", ifelse(credit$V1 == "A13", ">200", "brak")))
credit$V3<-ifelse(credit$V3 == "A30", "brak", ifelse(credit$V3 == "A31", "wszystkie_spł", ifelse(credit$V3 == "A32", "istniejace_spł",
ifelse(credit$V3 == "A33", "opoznienia", "krytyczne"))))
credit$V4<-ifelse(credit$V4 == "A40", "sam_nowy", ifelse(credit$V4 == "A41", "sam_uzyw",
ifelse(credit$V4 == "A42", "meble", ifelse(credit$V4 == "A43", "RTV",
ifelse(credit$V4 == "A44", "AGD", ifelse(credit$V4== "A45", "remont",
ifelse(credit$V4== "A46", "edukacja", ifelse(credit$V4 == "A47", "wakacje",
ifelse(credit$V4== "A48", "przekwalifikowanie", ifelse(credit$V4 == "A49", "biznes", "inne")) ))))
))))
credit$V6<-ifelse(credit$V6 == "A61", "<100", ifelse(credit$V6 == "A62", "100-500", ifelse(credit$V6 == "A63", "500-1000",
ifelse(credit$V6 == "A64", ">1000", "brak"))))
credit$V7<-ifelse(credit$V7 == "A71", "bezrobotny", ifelse(credit$V7 == "A72", "<1 rok",
ifelse(credit$V7 == "A73", "1-4",
ifelse(credit$V7 == "A74", "4-7", ">7"))))
credit$V9<-ifelse(credit$V9 == "A92", "K", "M")
credit$V10 <-ifelse(credit$V10 == "A101", "brak", "tak")
credit$V12<-ifelse(credit$V12 == "A121", "nieruchomosc",
ifelse(credit$V12 == "A122", "ubezpieczenie",
ifelse(credit$V12 == "A123", "samochod", "brak")))
credit$V14<-ifelse(credit$V14 == "A141", "bank", ifelse(credit$V14 == "A142", "sklep", "brak"))
credit$V15 <-ifelse(credit$V15 == "A151", "czynsz", ifelse(credit$V15 == "A152", "wlasne", "za_darmo"))
credit$V17 <-ifelse(credit$V17 == "A171", "niewykwal_nierez",
ifelse(credit$V17 == "A172", "niewykwal_rez",
ifelse(credit$V17 == "A173", "wykwalifikowany", "wysokie_kwal")))
credit$V19 <-ifelse(credit$V19 == "A191", "brak", "tak")
credit$V20<-ifelse(credit$V20 == "A201", "tak", "nie")
credit$V21<-ifelse(credit$V21 == "0", "dobry", "zly")
colnames(credit) <- c("konto_czekowe", "czas", "historia", "cel",
"kwota", "oszczednosci", "staz_pracy", "rata_%doch", "plec", "poreczyciel",
"zamieszkanie", "zabezpieczenie", "wiek", "inne_zobow", "rodzaj_miesz", "l_kredytow",
"kwalifikacje", "l_osob", "telefon", "obcokrajowiec", "jakosc")
credit[,names]<- lapply(credit[,names] , factor)
credit$jakosc<-as.factor(credit$jakosc)
summary(credit)## konto_czekowe czas historia cel
## < 0 :274 Min. : 4.0 brak : 40 RTV :280
## >200 : 63 1st Qu.:12.0 istniejace_spł:530 sam_nowy:234
## 0-200:269 Median :18.0 krytyczne :293 meble :181
## brak :394 Mean :20.9 opoznienia : 88 sam_uzyw:103
## 3rd Qu.:24.0 wszystkie_spł : 49 biznes : 97
## Max. :72.0 edukacja: 50
## (Other) : 55
## kwota oszczednosci staz_pracy rata_%doch plec
## Min. : 250 <100 :603 <1 rok :172 Min. :1.000 K:310
## 1st Qu.: 1366 >1000 : 48 >7 :253 1st Qu.:2.000 M:690
## Median : 2320 100-500 :103 1-4 :339 Median :3.000
## Mean : 3271 500-1000: 63 4-7 :174 Mean :2.973
## 3rd Qu.: 3972 brak :183 bezrobotny: 62 3rd Qu.:4.000
## Max. :18424 Max. :4.000
##
## poreczyciel zamieszkanie zabezpieczenie wiek inne_zobow
## brak:907 Min. :1.000 brak :154 Min. :19.00 bank :139
## tak : 93 1st Qu.:2.000 nieruchomosc :282 1st Qu.:27.00 brak :814
## Median :3.000 samochod :332 Median :33.00 sklep: 47
## Mean :2.845 ubezpieczenie:232 Mean :35.55
## 3rd Qu.:4.000 3rd Qu.:42.00
## Max. :4.000 Max. :75.00
##
## rodzaj_miesz l_kredytow kwalifikacje l_osob
## czynsz :179 Min. :1.000 niewykwal_nierez: 22 Min. :1.000
## wlasne :713 1st Qu.:1.000 niewykwal_rez :200 1st Qu.:1.000
## za_darmo:108 Median :1.000 wykwalifikowany :630 Median :1.000
## Mean :1.407 wysokie_kwal :148 Mean :1.155
## 3rd Qu.:2.000 3rd Qu.:1.000
## Max. :4.000 Max. :2.000
##
## telefon obcokrajowiec jakosc
## brak:596 nie: 37 dobry:700
## tak :404 tak:963 zly :300
##
##
##
##
## Podsumowanie w postaci tabeli
library(sjPlot)
view_df(credit, show.frq = T, show.prc = T, show.na = T)| ID | Name | Label | missings | Values | Value Labels | Freq. | % |
|---|---|---|---|---|---|---|---|
| 1 | konto_czekowe | 0 (0.00%) |
< 0 >200 0-200 brak |
274 63 269 394 |
27.40 6.30 26.90 39.40 |
||
| 2 | czas | 0 (0.00%) | range: 4-72 | ||||
| 3 | historia | 0 (0.00%) |
brak istniejace_spł krytyczne opoznienia wszystkie_spł |
40 530 293 88 49 |
4.00 53.00 29.30 8.80 4.90 |
||
| 4 | cel | 0 (0.00%) |
AGD biznes edukacja inne meble przekwalifikowanie remont RTV sam_nowy sam_uzyw |
12 97 50 12 181 9 22 280 234 103 |
1.20 9.70 5.00 1.20 18.10 0.90 2.20 28.00 23.40 10.30 |
||
| 5 | kwota | 0 (0.00%) | range: 250-18424 | ||||
| 6 | oszczednosci | 0 (0.00%) |
<100 >1000 100-500 500-1000 brak |
603 48 103 63 183 |
60.30 4.80 10.30 6.30 18.30 |
||
| 7 | staz_pracy | 0 (0.00%) |
<1 rok >7 1-4 4-7 bezrobotny |
172 253 339 174 62 |
17.20 25.30 33.90 17.40 6.20 |
||
| 8 | rata_%doch | 0 (0.00%) | range: 1-4 | ||||
| 9 | plec | 0 (0.00%) |
K M |
310 690 |
31.00 69.00 |
||
| 10 | poreczyciel | 0 (0.00%) |
brak tak |
907 93 |
90.70 9.30 |
||
| 11 | zamieszkanie | 0 (0.00%) | range: 1-4 | ||||
| 12 | zabezpieczenie | 0 (0.00%) |
brak nieruchomosc samochod ubezpieczenie |
154 282 332 232 |
15.40 28.20 33.20 23.20 |
||
| 13 | wiek | 0 (0.00%) | range: 19-75 | ||||
| 14 | inne_zobow | 0 (0.00%) |
bank brak sklep |
139 814 47 |
13.90 81.40 4.70 |
||
| 15 | rodzaj_miesz | 0 (0.00%) |
czynsz wlasne za_darmo |
179 713 108 |
17.90 71.30 10.80 |
||
| 16 | l_kredytow | 0 (0.00%) | range: 1-4 | ||||
| 17 | kwalifikacje | 0 (0.00%) |
niewykwal_nierez niewykwal_rez wykwalifikowany wysokie_kwal |
22 200 630 148 |
2.20 20.00 63.00 14.80 |
||
| 18 | l_osob | 0 (0.00%) | range: 1-2 | ||||
| 19 | telefon | 0 (0.00%) |
brak tak |
596 404 |
59.60 40.40 |
||
| 20 | obcokrajowiec | 0 (0.00%) |
nie tak |
37 963 |
3.70 96.30 |
||
| 21 | jakosc | 0 (0.00%) |
dobry zly |
700 300 |
70.00 30.00 |
||
Zapisanie obiektu
Zapisany obiekt credit zapisujemy jako zbiór danych R. Umożliwi to wczytanie bezpośrednio danych z komputera, bez konieczności każdorazowego powtarzania kodów przekształcających dane pierwotne. W ścieżce dostępu należy zamienić “" na”/“. W poniższym kodzie należy podać własną ścieżkę dostępu.
save(credit, file = "C:/Users/Dell/Documents/dysk_wymienny/zajęcia/data_mining/credit.RData")Wczytanie danych możliwe jest za pomocą kodu:
load("C:/Users/Dell/Documents/dysk_wymienny/zajęcia/data_mining/credit.RData")Analiza graficzna zmiennych
Zmienne dyskretne - wykres słupkowy (bar plot)
Do analizy graficznej wykorzystywany może być pakiet ggplot2 pozwalający na konstruowanie wielu rożnych typów wykresów, w zależności od charakteru zmiennych. Informacje na temat pakietu i rodzajów wykresów, które mogą zostać narysowane z wykorzystaniem pakietu można znaleźć na: https://r-charts.com/ lub https://r-graph-gallery.com/
W przypadku zmiennych dyskretnych - cech, które mogą być mierzone w skali nominalnej lub porządkowej podstawowym typem wykresu jest wykres słupkowy. Umożliwia on określenie liczby/procentu/udziału występowania danej kategorii zmiennej.
Przed narysowaniem wykresu warto zapoznać się z rozkładem danej zmiennej za pomocą fukcji table(). Funkcja ta umożliwia również konstruowanie tablic krzyżowych 2 zmiennych Podstawowy kod umożliwiający narysowanie wykresu słupkowego przy użyciu ggplot2:
library(ggplot2)
table(credit$konto_czekowe)##
## < 0 >200 0-200 brak
## 274 63 269 394table(credit$konto_czekowe, credit$jakosc)##
## dobry zly
## < 0 139 135
## >200 49 14
## 0-200 164 105
## brak 348 46ggplot(data=credit, aes(x=konto_czekowe)) +
geom_bar()
W R możliwe jest definiowanie kolorów za pomocą ich nazw bądź symboli, zgodnie z oznaczeniami
Zmiana szerokości i koloru wypełnienia słupków
ggplot(data=credit, aes(x=konto_czekowe))+
geom_bar(fill = "red", width=0.5)
Zmiana układu słupków z pionowego na poziome za pomocą funkcji coord_flip()
ggplot(data=credit, aes(x=konto_czekowe))+
geom_bar(fill = "339999", width=0.5) +
coord_flip()
Wyróżnienie różnych jakości kredytów w zależności od salda konta czekowego możliwe jest za pomocą dodania parametru fill do estetyki aes()
ggplot(data=credit, aes(x=konto_czekowe, fill = jakosc)) +
geom_bar()
Dodanie dodatkowych elementów do wykresu umożliwia następujący kod:
ggplot(data=credit, aes(x=konto_czekowe, fill = jakosc)) +
geom_bar() +
xlab("Stan konta czekowego")+
ylab("liczba") +
theme_minimal() +
theme(legend.position="top",
axis.title = element_text(size=14, face="bold")) +
geom_text(aes( label = ..count..), stat = "count", vjust = -0.5, colour = "black", size =4) +
scale_x_discrete(limits=c("< 0", "0-200", ">200", "brak")) +
scale_fill_manual(values=c("darkgreen", "brown1"))
Inny spoób prezentowania wykresu słupkowego:
- kategorie zmiennej umieszczone obok siebie - funkcja:
geom_bar(position=position_dodge()),
- wykres udziałów poszczególnych kategorii - funkcja:
geom_bar(position=position_fill()).
ggplot(data=credit, aes(x=konto_czekowe, fill = jakosc)) +
geom_bar(position=position_dodge()) +
scale_x_discrete(limits=c("< 0", "0-200", ">200", "brak"))
ggplot(data=credit, aes(x=konto_czekowe, fill = jakosc)) +
geom_bar(position=position_fill()) +
scale_x_discrete(limits=c("< 0", "0-200", ">200", "brak"))
Jedną z wad wykresu słupkowego jest brak prezentowania informacji dotyczącej liczebności poszczególnych kategorii - słupki są jednakowej szerokości niezależnie ile razy wystąpiła dana kategoria zmiennej (istnieje możliwość zmiany szerokości w ggplot za pomocą bardziej skomplikowanego kodu). Rozwiązaniem jest skonstruowanie wykresu za pomocą podstawowego pakietu do rysowania graphics.
plot(x = credit$konto_czekowe,
y = credit$jakosc,
col = c( "brown1", "darkgreen"),
xlab = "konto czekowe",
ylab = "jakość",
cex.axis = 1.2)
Zmienne dyskretne - wykres kołowy (bar plot)
ggplot2 nie umożliwia prostej konstrukcji wykresów kołowych. Zamiast tego pakietu można narysować wykres kołowy wykorzystując pakiet lessR
table(credit$staz_pracy)##
## <1 rok >7 1-4 4-7 bezrobotny
## 172 253 339 174 62library(lessR)
PieChart(staz_pracy, data = credit,
fill = "viridis",
main = NULL)
Zmienne ciągłe - histogram (geom_histogram)
Histogram jest wykresem zbliżonym są formą do wykresu słupkowego. Służy do przedstawiania rozkładu zmiennej ilościowej. Polega na podziale całego przedziału zmienności na mniejsze przedziały i zliczeniu ile zmiennych występuje w danych przedziałach. Kształt histogramu zależy więc od tego na ile przedziałów podzielimy zakres zmienności. Zbyt wąskie przedziały (duża liczba przedziałów) powodują, że kształt rozkładu zaciera się. Podobnie - w przypadku zbyt szerokich przedziałów (mała liczba przedziałów). Jako kryterium podziału można przyjąć, że liczba przedziałów jest równa pierwiastkowi z liczby obserwacji.
W R funkcją tworzącą histogram jest geom_histogram().
table(credit$czas)##
## 4 5 6 7 8 9 10 11 12 13 14 15 16 18 20 21 22 24 26 27
## 6 1 75 5 7 49 28 9 179 4 4 64 2 113 8 30 2 184 1 13
## 28 30 33 36 39 40 42 45 47 48 54 60 72
## 3 40 3 83 5 1 11 5 1 48 2 13 1ggplot(credit, aes(x= czas))+
geom_histogram()
Kształt histogramu w zależności od liczby przedziałów:
ggplot(credit, aes(x = czas)) +
geom_histogram(bins = 5)
ggplot(credit, aes(x = czas)) +
geom_histogram(bins = 50)
Kształt histogramu przy przyjęciu 15 przedziałów, ze wskazaniem liczby kredytów “dobrych” i “złych” w każdym przedziale.
ggplot(credit, aes(x = czas, fill = jakosc)) +
geom_histogram(bins = 15)
Uzupełnienie histogramu o dodatkowe informacje
ggplot(credit, aes(x = czas, fill = jakosc)) +
geom_histogram(bins = 15, color = "white") +
theme_minimal() +
xlab("długość kredytów")+
ylab("liczba") +
theme(legend.position="top",
plot.title = element_text(color="red", size=16, face="bold"),
axis.text.x = element_text(color = "grey20", size = 10, angle = 0, hjust = .5, vjust = .5, face = "plain"),
axis.text.y = element_text(color = "grey20", size = 12, angle = 0, hjust = 0.5, vjust = 1.0, face = "plain"),
axis.title.x = element_text(color="blue", size=14, face="bold"),
axis.title.y = element_text(color="blue", size=14, face="bold"))
Zmienne ciągłe - krzywe gęstości (geom_density)
Wykres gęstości wykorzystuje się do zaprezentowania rozkładu zmiennej ilościowej. Jest bardzo zbliżony do histogramu. Polega to na przedstawieniu bardziej płynnego rozkłady poprzez wygładzenie szumu.Główną zaletą wykresów gęstości w porównaniu z histogramami jest to, że lepiej określają kształt rozkładu, ponieważ nie wpływa na nie liczba używanych przedziałów.
W R funkcją tworzącą histogram jest geom_density().
ggplot(credit, aes(x = czas)) +
geom_density()
Zmiana koloru linii i wypełnienia na wykresie gęstości i dołożenie krzywych pionowych wykreślonych przy wartości zmiennej równej średniej (kolor czerwony) i medianie (kolor czarny). O stylach linii można przeczytać tu.
ggplot(credit, aes(x = czas)) +
geom_density(color="darkblue", fill="lightblue") +
geom_vline(aes(xintercept=mean(czas)),
color="red", linetype="dashed", size=1) +
geom_vline(aes(xintercept=median(czas)),
color="black", linetype="dotdash", size=1)
Krzywe gęstości w zależności od jakości kredytu
ggplot(credit, aes(x= czas, color= jakosc))+
geom_density()
Połączenie histogramów i krzywej gęstości
ggplot(credit, aes(x=czas, color=jakosc, fill=jakosc)) +
geom_histogram(aes(y=..density..), alpha=0.5,
position="identity", bins = 15)+
geom_density(alpha=.2) 
Funkcja facet_grid() umożliwia tworzenie kilku wykresów w zależności od liczby poziomów zmiennej wskazanej w nawiasie funkcji. Jeśli zmienna jakość ma dwa poziomy - “dobry” i “zły” funkcja facet_grid() utworzy dwa wykresy - w układzie pionowym lub poziomym.
ggplot(credit, aes(x=czas, color=jakosc, fill=jakosc)) +
geom_histogram(aes(y=..density..), alpha=0.5,
position="identity", bins = 15)+
geom_density(alpha=.2) +
facet_grid(. ~ jakosc)
ggplot(credit, aes(x=czas, color=jakosc, fill=jakosc)) +
geom_histogram(aes(y=..density..), alpha=0.5,
position="identity", bins = 15)+
geom_density(alpha=.2) +
facet_grid(jakosc ~ .)
Stworzenie histogramów prezentujących rozkład liczby kredytów w zależności od ich jakości.
ggplot(credit, aes(x = czas, fill = jakosc)) +
geom_histogram(bins = 15, color = "white") +
theme_minimal() +
xlab("długość kredytów")+
ylab("liczba") +
theme(legend.position="top",
plot.title = element_text(color="red", size=16, face="bold"),
axis.text.x = element_text(color = "grey20", size = 10, angle = 0, hjust = .5, vjust = .5, face = "plain"),
axis.text.y = element_text(color = "grey20", size = 12, angle = 0, hjust = 0.5, vjust = 1.0, face = "plain"),
axis.title.x = element_text(color="blue", size=14, face="bold"),
axis.title.y = element_text(color="blue", size=14, face="bold")) +
facet_grid(. ~ jakosc) +
scale_fill_manual(values = c("red", "steelblue"))
Zmienne ciągłe - wykres pudełkowy (geom_boxplot)
Wykres pudełkowy jest wykresem prezentującym rozkład danej zmiennej za pomocą mediany, 1 kwartyla Q1, 3 kwartyla Q3. O sposobie interpretacji boxplotów można przeczytać na stronie
W R funkcją tworzącą wykres pudełkowy jest geom_boxplot().
table(credit$czas, credit$jakosc)##
## dobry zly
## 4 6 0
## 5 1 0
## 6 66 9
## 7 5 0
## 8 6 1
## 9 35 14
## 10 25 3
## 11 9 0
## 12 130 49
## 13 4 0
## 14 3 1
## 15 52 12
## 16 1 1
## 18 71 42
## 20 7 1
## 21 21 9
## 22 2 0
## 24 128 56
## 26 1 0
## 27 8 5
## 28 2 1
## 30 27 13
## 33 2 1
## 36 46 37
## 39 4 1
## 40 0 1
## 42 8 3
## 45 1 4
## 47 1 0
## 48 20 28
## 54 1 1
## 60 7 6
## 72 0 1ggplot(credit, aes(x = jakosc, y = czas)) +
geom_boxplot()
Uzupełnienie wykresu pudełkowego o wartość średnią, obserwacje odstające oraz punkty - wykorzystując funkcje geom_jitter(). Rodzaje punktów, które można umieścić na wykresach przedstawione są np. tutaj
ggplot(credit, aes(x = jakosc, y = czas))+
geom_boxplot(
color="blue",
fill="blue",
alpha=0.2,
notch=TRUE,
notchwidth = 0.5,
outlier.colour="red",
outlier.fill="red",
outlier.size=3) +
stat_summary(fun = "mean", geom = "point", shape = 8,
size = 2, color = "white") +
geom_jitter(color="black", size=1.5, alpha=0.9, shape = 18)
Wykres dla dwóch zmiennych ciągłych - wykres punktowy (geom_point)
Wykres punktowy jest najprostszym sposobem przedstawienia położenia obiektów w przestrzeni dwuwymiarowej (oś X i Y).
W R funkcją tworzącą wykres punktowy jest geom_point(). W estetyce można wskazać kolor, wypełnienie i kształt punktu.
ggplot(credit, aes(x = czas, y = kwota)) +
geom_point()
Kolor punktów, w zależności od jakości kredytów
ggplot(credit, aes(x = czas, y = kwota, color = jakosc)) +
geom_point()
W przypadku wykresów punktowych, wykorzystując funkcje geom_smooth można przedstawić linię trendu. Metoda lm jest metodą wykreślenia lini trendu jako prostej.
ggplot(credit, aes(x = czas, y = kwota, color = jakosc)) +
geom_point() +
geom_smooth(se=FALSE, method = 'lm')
Prezentacja wielu zmiennych za pomocą jednego wykresu dwuwymiarowego
ggplot(credit, aes(x = czas, y = kwota, color = jakosc)) +
geom_point() +
geom_smooth(se=FALSE, method = 'lm') +
facet_grid(.~ staz_pracy)
ggplot(credit, aes(x = czas, y = kwota, color = jakosc, shape = plec)) +
geom_point() +
geom_smooth(se=FALSE, method = 'lm') +
facet_grid(.~ staz_pracy)
ggplot(credit, aes(x= czas, y=kwota, size = wiek, color = plec)) +
geom_point(alpha=0.5) +
scale_size(range = c(.1, 10), name="wiek") +
facet_grid(. ~ jakosc)
Problem występowania wielu punktów znajdujacyh się blisko siebie w przestrzeni dwuwymiarowej można rozwiązać wykorzystując funkcję geom_hex()
ggplot(credit, aes(x=czas, y= kwota) ) +
geom_hex(bins = 10) +
scale_fill_continuous(type = "viridis") +
theme_bw() +
facet_grid(. ~ jakosc)
Wykresy dla zmiennej dyskternej i ciągłej
W przypadku wielu obserwacji przedstawienie rozkładu dwóch parametrów, z których jeden jest zmienną dyskretną i drugi - ciągłą za pomocą wykresu punktowego nie jest właściwe.
ggplot(credit, aes(x = kwalifikacje, y = kwota))+
geom_point()
ggplot(credit, aes(x = kwalifikacje, y = kwota, color = kwalifikacje))+
geom_point() +
theme(legend.position = "non")
Rozwiązaniem może być “wstrząśnięcie” punktami wykorzystując do tego funkcję geom_jitter().
ggplot(credit, aes(x = kwalifikacje, y = kwota, color = kwalifikacje))+
geom_jitter() +
theme(legend.position = "non")
Uzupełnienie wykresu o dodatkowe statystyki - średnia (kolor czerwony) i mediana (kolor czarny).
ggplot(credit, aes(x = kwalifikacje, y = kwota, color = kwalifikacje))+
geom_jitter() +
theme(legend.position = "non") +
stat_summary(geom = "point", fun = "median", color = "red", size = 5) +
stat_summary(geom = "point", fun = "mean", color = "black", size = 4, shape = 8)
Inne sposoby prezentacji rozkładu zmiennych
library(ggridges)
ggplot(credit, aes(x = kwalifikacje, y = kwota, fill = kwalifikacje))+
geom_violin() +
theme(legend.position = "non")
ggplot(credit, aes(x = kwota, y = kwalifikacje, fill = kwalifikacje)) +
geom_density_ridges(scale = 1.3, # scale do kontrolowania nachodzenia się wykresów
show.legend = F)
Wykresy dla kilu zmiennych dyskretnych
R umożliwia skonstruowanie 1 wykresu prezentującego jednocześnie zależności dla kilku zmiennych ilościowych. Na rysunku tym:
- na przekątnej przedstawiony jest rozkład każdej zmiennej,
- poniżej przekątnej: przedstawione są dwuwymiarowe wykresy punktowe z dopasowaną linią trendu,
- powyżej przekątnej podane są wartość współczynników korelacji Pearsona między zmiennymi wraz z poziomem istotności w postaci gwiazdek.
library("PerformanceAnalytics")
chart.Correlation(credit[,c(2,5, 8, 11, 13,16)], histogram=TRUE, method = "spearman")