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

L’ensemble de données sur les diamants est un ensemble de données intégré au package ggplot2 dans R.

Il contient des mesures sur 10 variables différentes (comme le prix, la couleur, la clarté, etc.) pour 53 940 diamants différents.

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

Charger l’ensemble de données sur les diamants

Puisque l’ensemble de données sur les diamants est un ensemble de données intégré dans ggplot2, nous devons d’abord installer (si ce n’est pas déjà fait) et charger le package ggplot2 :

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

#load ggplot2
library(ggplot2)

Une fois que nous avons chargé ggplot2, nous pouvons utiliser la fonction data() pour charger l’ensemble de données sur les diamants :

data(diamonds)

Nous pouvons jeter un œil aux six premières lignes de l’ensemble de données en utilisant la fonction head() :

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

  carat cut       color clarity depth table price     x     y     z
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

Résumer l’ensemble de données sur les diamants

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

#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  
                                    J: 2808   (Other): 2531                  
     table           price             x                y                z         
 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   

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

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

Pour les variables catégorielles de l’ensemble de données (coupe, couleur et clarté), nous voyons un décompte de fréquence de chaque valeur.

Par exemple, pour la variable cut :

• Fair : Cette valeur apparaît 1 610 fois.
• Bon : Cette valeur apparaît 4 906 fois.
• Très bon : cette valeur apparaît 12 082 fois.
• Premium : Cette valeur apparaît 13 791 fois.
• Idéal : Cette valeur apparaît 21 551 fois.

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(diamonds)

[1] 53940 10

Nous pouvons voir que l’ensemble de données comporte 53 940 lignes et 10 colonnes.

Nous pouvons également utiliser la fonction names() pour afficher les noms de colonnes du bloc de données :

#display column names
names(diamonds)

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

Visualisez l’ensemble de données des diamants

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

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

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

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

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

Nous pouvons également utiliser la fonction geom_boxplot() pour créer un boxplot d’une variable regroupée par une autre variable :

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

En utilisant ces fonctions de ggplot2, nous pouvons en apprendre beaucoup sur les variables de l’ensemble de données sur les diamants .

Ressources additionnelles

Les didacticiels suivants expliquent comment explorer d’autres ensembles de données dans R :

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