Un guide complet de l’ensemble de données Boston dans R

L’ensemble de données Boston du package MASS dans R contient des informations sur divers attributs des banlieues de Boston, Massachusetts.

Ce didacticiel explique comment explorer, résumer et visualiser l’ensemble de données Boston dans R.

Charger l’ensemble de données de Boston

Avant de pouvoir visualiser l’ensemble de données Boston , nous devons d’abord charger le package MASS :

library(MASS)

Nous pouvons ensuite utiliser la fonction head() pour afficher les six premières lignes de l’ensemble de données :

#view first six rows of Boston dataset
head(Boston)

     crim zn indus chas   nox    rm  age    dis rad tax ptratio  black lstat
1 0.00632 18  2.31    0 0.538 6.575 65.2 4.0900   1 296    15.3 396.90  4.98
2 0.02731  0  7.07    0 0.469 6.421 78.9 4.9671   2 242    17.8 396.90  9.14
3 0.02729  0  7.07    0 0.469 7.185 61.1 4.9671   2 242    17.8 392.83  4.03
4 0.03237  0  2.18    0 0.458 6.998 45.8 6.0622   3 222    18.7 394.63  2.94
5 0.06905  0  2.18    0 0.458 7.147 54.2 6.0622   3 222    18.7 396.90  5.33
6 0.02985  0  2.18    0 0.458 6.430 58.7 6.0622   3 222    18.7 394.12  5.21
  medv
1 24.0
2 21.6
3 34.7
4 33.4
5 36.2
6 28.7

Pour afficher une description de chaque variable de l’ensemble de données, nous pouvons saisir ce qui suit :

#view description of each variable in dataset
?Boston

     This data frame contains the following columns:

     'crim' per capita crime rate by town.

     'zn' proportion of residential land zoned for lots over 25,000
          sq.ft.

     'indus' proportion of non-retail business acres per town.

     'chas' Charles River dummy variable (= 1 if tract bounds river; 0
          otherwise).

     'nox' nitrogen oxides concentration (parts per 10 million).

     'rm' average number of rooms per dwelling.

     'age' proportion of owner-occupied units built prior to 1940.

     'dis' weighted mean of distances to five Boston employment
          centres.

     'rad' index of accessibility to radial highways.

     'tax' full-value property-tax rate per $10,000.

     'ptratio' pupil-teacher ratio by town.

     'black' 1000(Bk - 0.63)^2 where Bk is the proportion of blacks by
          town.

     'lstat' lower status of the population (percent).

     'medv' median value of owner-occupied homes in $1000s.

Résumer l’ensemble de données de Boston

Nous pouvons utiliser la fonction summary() pour résumer rapidement chaque variable de l’ensemble de données :

#summarize Boston dataset
summary(Boston)

      crim                zn             indus            chas        
 Min.   : 0.00632   Min.   :  0.00   Min.   : 0.46   Min.   :0.00000  
 1st Qu.: 0.08205   1st Qu.:  0.00   1st Qu.: 5.19   1st Qu.:0.00000  
 Median : 0.25651   Median :  0.00   Median : 9.69   Median :0.00000  
 Mean   : 3.61352   Mean   : 11.36   Mean   :11.14   Mean   :0.06917  
 3rd Qu.: 3.67708   3rd Qu.: 12.50   3rd Qu.:18.10   3rd Qu.:0.00000  
 Max.   :88.97620   Max.   :100.00   Max.   :27.74   Max.   :1.00000  
      nox               rm             age              dis        
 Min.   :0.3850   Min.   :3.561   Min.   :  2.90   Min.   : 1.130  
 1st Qu.:0.4490   1st Qu.:5.886   1st Qu.: 45.02   1st Qu.: 2.100  
 Median :0.5380   Median :6.208   Median : 77.50   Median : 3.207  
 Mean   :0.5547   Mean   :6.285   Mean   : 68.57   Mean   : 3.795  
 3rd Qu.:0.6240   3rd Qu.:6.623   3rd Qu.: 94.08   3rd Qu.: 5.188  
 Max.   :0.8710   Max.   :8.780   Max.   :100.00   Max.   :12.127  
      rad              tax           ptratio          black       
 Min.   : 1.000   Min.   :187.0   Min.   :12.60   Min.   :  0.32  
 1st Qu.: 4.000   1st Qu.:279.0   1st Qu.:17.40   1st Qu.:375.38  
 Median : 5.000   Median :330.0   Median :19.05   Median :391.44  
 Mean   : 9.549   Mean   :408.2   Mean   :18.46   Mean   :356.67  
 3rd Qu.:24.000   3rd Qu.:666.0   3rd Qu.:20.20   3rd Qu.:396.23  
 Max.   :24.000   Max.   :711.0   Max.   :22.00   Max.   :396.90  
     lstat            medv      
 Min.   : 1.73   Min.   : 5.00  
 1st Qu.: 6.95   1st Qu.:17.02  
 Median :11.36   Median :21.20  
 Mean   :12.65   Mean   :22.53  
 3rd Qu.:16.95   3rd Qu.:25.00  
 Max.   :37.97   Max.   :50.00

Pour chacune des variables numériques, nous pouvons voir les informations suivantes :

• Min : La valeur minimale.
• 1er Qu : La valeur du premier quartile (25ème percentile).
• Médiane : La valeur médiane.
• Moyenne : La valeur moyenne.
• 3ème Qu : La valeur du troisième quartile (75ème percentile).
• Max : La valeur maximale.

Nous pouvons utiliser la fonction dim() pour obtenir les dimensions de l’ensemble de données en termes de nombre de lignes et de colonnes :

#display rows and columns
dim(Boston)

[1] 506  14

Nous pouvons voir que l’ensemble de données comporte 506 lignes et 14 colonnes.

Visualisez l’ensemble de données de Boston

Nous pouvons également créer des tracés pour visualiser les valeurs de l’ensemble de données.

Par exemple, nous pouvons utiliser la fonction hist() pour créer un histogramme des valeurs d’une certaine variable :

#create histogram of values for 'rm' column
hist(Boston$rm,
     col='steelblue',
     main='Histogram of Rooms per Dwelling',
     xlab='Rooms',
     ylab='Frequency')

Nous pouvons également utiliser la fonction plot() pour créer un nuage de points de toute combinaison de variables par paires :

#create scatterplot of median home value vs crime rate
plot(Boston$medv, Boston$crime,
     col='steelblue',
     main='Median Home Value vs. Crime Rate',
     xlab='Median Home Value',
     ylab='Crime Rate',
     pch=19)

Nous pouvons créer un nuage de points similaire pour visualiser la relation entre deux variables quelconques de l’ensemble de données.

Ressources additionnelles

Les didacticiels suivants fournissent un guide complet sur d’autres ensembles de données populaires dans R :

Un guide complet de l’ensemble de données Iris dans R
Un guide complet de l’ensemble de données mtcars dans R
Un guide complet de l’ensemble de données sur les diamants dans R