Una guida completa al dataset dei diamanti in r

Il set di dati Diamond è un set di dati integrato nel pacchetto ggplot2 in R.

Contiene misurazioni su 10 diverse variabili (come prezzo, colore, purezza, ecc.) per 53.940 diamanti diversi.

Questo tutorial spiega come esplorare, riepilogare e visualizzare il set di dati del diamante in R.

Carica il set di dati del diamante

Poiché il set di dati del diamante è un set di dati integrato in ggplot2, dobbiamo prima installare (se non già) e caricare il pacchetto ggplot2:

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

#load ggplot2
library (ggplot2)

Una volta caricato ggplot2, possiamo utilizzare la funzione data() per caricare il dataset del diamante :

 data(diamonds)

Possiamo dare un’occhiata alle prime sei righe del set di dati utilizzando la funzione head() :

 #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

Riassumere il set di dati del diamante

Possiamo utilizzare la funzione summary() per riassumere rapidamente ogni variabile nel set di dati:

 #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

Per ciascuna delle variabili numeriche possiamo vedere le seguenti informazioni:

• Min : il valore minimo.
• 1° Qu : il valore del primo quartile (25° percentile).
• Mediana : il valore mediano.
• Media : il valore medio.
• 3° Qu : Il valore del terzo quartile (75° percentile).
• Max : il valore massimo.

Per le variabili categoriali nel set di dati (taglio, colore e chiarezza), vediamo un conteggio della frequenza di ciascun valore.

Ad esempio, per la variabile cut :

• Giusto : questo valore appare 1.610 volte.
• Buono : questo valore appare 4.906 volte.
• Molto buono : questo valore appare 12.082 volte.
• Premium : questo valore appare 13.791 volte.
• Ideale : questo valore appare 21.551 volte.

Possiamo usare la funzione dim() per ottenere le dimensioni del set di dati in termini di numero di righe e colonne:

 #display rows and columns
dim(diamonds)

[1] 53940 10

Possiamo vedere che il set di dati ha 53.940 righe e 10 colonne.

Possiamo anche usare la funzionenames () per visualizzare i nomi delle colonne del data frame:

 #display column names
names(diamonds)

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

Visualizza il dataset dei diamanti

Possiamo anche creare grafici per visualizzare i valori del set di dati.

Ad esempio, possiamo utilizzare la funzione geom_histogram() per creare un istogramma dei valori di una determinata variabile:

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

Possiamo anche utilizzare la funzione geom_point() per creare una nuvola di punti di qualsiasi combinazione di variabili a coppie:

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

Possiamo anche usare la funzione geom_boxplot() per creare un boxplot di una variabile raggruppata da un’altra variabile:

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

Usando queste funzioni ggplot2, possiamo imparare molto sulle variabili nel set di dati del diamante .

Risorse addizionali

I seguenti tutorial spiegano come esplorare altri set di dati in R:

Una guida completa al set di dati Iris in R
Una guida completa al set di dati mtcars in R