R 中钻石数据集的完整指南

钻石数据集是 R 中ggplot2包中内置的数据集。

它包含 53,940 颗不同钻石的 10 个不同变量（如价格、颜色、净度等）的测量结果。

本教程介绍如何在 R 中探索、总结和可视化钻石数据集。

加载钻石数据集

由于钻石数据集是 ggplot2 中的内置数据集，因此我们首先需要安装（如果尚未安装）并加载 ggplot2 包：

 #install ggplot2 if not already installed
install. packages (' ggplot2 ')

#load ggplot2
library (ggplot2)

加载 ggplot2 后，我们可以使用data()函数加载钻石数据集：

 data(diamonds)

我们可以使用head()函数查看数据集的前六行：

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

  carat cut color clarity depth table price xyz
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 2.48

总结钻石数据集

我们可以使用summary()函数快速总结数据集中的每个变量：

 #summarize diamonds dataset
summary(diamonds)

     carat cut color clarity depth      
 Min. :0.2000 Fair: 1610 D: 6775 SI1:13065 Min. :43.00  
 1st Qu.:0.4000 Good: 4906 E: 9797 VS2:12258 1st Qu.:61.00  
 Median: 0.7000 Very Good: 12082 F: 9542 SI2: 9194 Median: 61.80  
 Mean: 0.7979 Premium: 13791 G: 11292 VS1: 8171 Mean: 61.75  
 3rd Qu.:1.0400 Ideal:21551 H:8304 VVS2:5066 3rd Qu.:62.50  
 Max. :5.0100 I: 5422 VVS1: 3655 Max. :79.00  
                                    D: 2808 (Other): 2531                  
     table price xyz Min. :43.00 Min. : 326 Min. : 0.000 Min. : 0.000 Min. : 0.000  
 1st Qu.: 56.00 1st Qu.: 950 1st Qu.: 4.710 1st Qu.: 4.720 1st Qu.: 2.910  
 Median: 57.00 Median: 2401 Median: 5.700 Median: 5.710 Median: 3.530  
 Mean: 57.46 Mean: 3933 Mean: 5.731 Mean: 5.735 Mean: 3.539  
 3rd Qu.: 59.00 3rd Qu.: 5324 3rd Qu.: 6.540 3rd Qu.: 6.540 3rd Qu.: 4.040  
 Max. :95.00 Max. :18823 Max. :10,740 Max. :58,900 Max. :31,800

对于每个数值变量，我们可以看到以下信息：

• 最小值：最小值。
• 第一个 Qu ：第一个四分位数（第 25 个百分位数）的值。
• 中位数：中值。
• 平均值：平均值。
• 第三曲：第三个四分位数（第 75 个百分位数）的值。
• 最大值：最大值。

对于数据集中的分类变量（切工、颜色和净度），我们会看到每个值的频率计数。

例如，对于cut变量：

• Fair ：该值出现 1,610 次。
• 好：该值出现 4,906 次。
• 非常好：该值出现了 12,082 次。
• Premium ：该值出现 13,791 次。
• 理想：该值出现 21,551 次。

我们可以使用dim()函数获取数据集的行数和列数维度：

 #display rows and columns
dim(diamonds)

[1] 53940 10

我们可以看到数据集有53,940行和10列。

我们还可以使用names()函数来显示数据框的列名称：

 #display column names
names(diamonds)

[1] "carat" "cut" "color" "clarity" "depth" "table" "price" "x"      
[9] “y” “z”     

可视化钻石数据集

我们还可以创建绘图来可视化数据集的值。

例如，我们可以使用geom_histogram()函数创建某个变量值的直方图：

 #create histogram of values for price
ggplot(data=diamonds, aes (x=price)) +
  geom_histogram(fill=" steelblue ", color=" black ") +
  ggtitle(" Histogram of Price Values ")

我们还可以使用geom_point()函数创建任意变量成对组合的点云：

 #create scatterplot of carat vs. price, using cut as color variable
ggplot(data=diamonds, aes (x=carat, y=price, color=cut)) + 
  geom_point()

我们还可以使用geom_boxplot()函数创建由另一个变量分组的变量的箱线图：

 #create scatterplot of price, grouped by cut
ggplot(data=diamonds, aes (x=cut, y=price)) + 
  geom_boxplot(fill=" steelblue ")

使用这些 ggplot2 函数，我们可以了解有关钻石数据集中变量的很多信息。

其他资源

以下教程解释了如何在 R 中探索其他数据集：

R 中 Iris 数据集的完整指南
R 中 mtcars 数据集的完整指南