Eine vollständige anleitung zum diamantdatensatz in r

Der Diamantdatensatz ist ein Datensatz, der in das ggplot2- Paket in R integriert ist.

Es enthält Messungen zu 10 verschiedenen Variablen (wie Preis, Farbe, Reinheit usw.) für 53.940 verschiedene Diamanten.

In diesem Tutorial wird erläutert, wie Sie den Diamantdatensatz in R untersuchen, zusammenfassen und visualisieren.

Diamantdatensatz laden

Da der Diamantdatensatz ein integrierter Datensatz in ggplot2 ist, müssen wir zunächst das ggplot2-Paket installieren (falls noch nicht geschehen) und laden:

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

#load ggplot2
library (ggplot2)

Sobald wir ggplot2 geladen haben, können wir die Funktion data() verwenden, um den Diamantdatensatz zu laden:

 data(diamonds)

Mit der Funktion head() können wir uns die ersten sechs Zeilen des Datensatzes ansehen:

 #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

Fassen Sie den Diamantdatensatz zusammen

Mit der Funktion summary() können wir jede Variable im Datensatz schnell zusammenfassen:

 #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

Für jede der numerischen Variablen können wir die folgenden Informationen sehen:

• Min : Der Mindestwert.
• 1. Qu : Der Wert des ersten Quartils (25. Perzentil).
• Median : Der Medianwert.
• Durchschnitt : Der Durchschnittswert.
• 3. Qu : Der Wert des dritten Quartils (75. Perzentil).
• Max : Der Maximalwert.

Für die kategorialen Variablen im Datensatz (Schnitt, Farbe und Klarheit) sehen wir eine Häufigkeitszählung jedes Werts.

Zum Beispiel für die Cut- Variable:

• Mittelmäßig : Dieser Wert kommt 1.610 Mal vor.
• Gut : Dieser Wert kommt 4.906 Mal vor.
• Sehr gut : Dieser Wert kommt 12.082 Mal vor.
• Premium : Dieser Wert kommt 13.791 Mal vor.
• Ideal : Dieser Wert kommt 21.551 Mal vor.

Mit der Funktion dim() können wir die Dimensionen des Datensatzes in Bezug auf die Anzahl der Zeilen und Spalten ermitteln:

 #display rows and columns
dim(diamonds)

[1] 53940 10

Wir können sehen, dass der Datensatz 53.940 Zeilen und 10 Spalten enthält.

Wir können auch die Funktion „names()“ verwenden, um die Spaltennamen des Datenrahmens anzuzeigen:

 #display column names
names(diamonds)

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

Visualisieren Sie den Diamanten-Datensatz

Wir können auch Diagramme erstellen, um die Werte des Datensatzes zu visualisieren.

Beispielsweise können wir die Funktion geom_histogram() verwenden, um ein Histogramm der Werte einer bestimmten Variablen zu erstellen:

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

Wir können auch die Funktion geom_point() verwenden, um eine Punktwolke aus einer beliebigen paarweisen Kombination von Variablen zu erstellen:

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

Wir können auch die Funktion geom_boxplot() verwenden, um einen Boxplot einer Variablen gruppiert nach einer anderen Variablen zu erstellen:

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

Mit diesen ggplot2-Funktionen können wir viel über die Variablen im Diamantdatensatz lernen.

Zusätzliche Ressourcen

In den folgenden Tutorials wird erläutert, wie Sie andere Datensätze in R erkunden:

Eine vollständige Anleitung zum Iris-Datensatz in R
Eine vollständige Anleitung zum mtcars-Datensatz in R