Een complete gids voor de boston-dataset in r

De Boston- dataset uit het MASS- pakket in R bevat informatie over verschillende kenmerken van de buitenwijken van Boston, Massachusetts.

In deze zelfstudie wordt uitgelegd hoe u de Boston- dataset in R kunt verkennen, samenvatten en visualiseren.

Boston-gegevensset laden

Voordat we de Boston- dataset kunnen bekijken, moeten we eerst het MASS- pakket laden:

 library (MASS)

We kunnen dan de functie head() gebruiken om de eerste zes rijen van de dataset weer te geven:

 #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

Om een beschrijving van elke variabele in de dataset weer te geven, kunnen we het volgende invoeren:

 #view description of each variable in dataset
?Boston

     This data frame contains the following columns:

     'crime' per capita crime rate by town.

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

     'industrial' 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
          centers.

     '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.

Vat de Boston-dataset samen

We kunnen de functie summary() gebruiken om elke variabele in de dataset snel samen te vatten:

 #summarize Boston dataset
summary(Boston)

      crim zn indus chas        
 Min. : 0.00632 Min. : 0.00 Min. : 0.46 Min. :0.00000  
 1st Q: 0.08205 1st Q: 0.00 1st Q: 5.19 1st Q: 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 Q: 6.95 1st Q: 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

Voor elk van de numerieke variabelen kunnen we de volgende informatie zien:

• Min : De minimumwaarde.
• 1e Qu : de waarde van het eerste kwartiel (25e percentiel).
• Mediaan : de mediaanwaarde.
• Gemiddelde : de gemiddelde waarde.
• 3e Qu : de waarde van het derde kwartiel (75e percentiel).
• Max : de maximale waarde.

We kunnen de functie dim() gebruiken om de afmetingen van de dataset te verkrijgen in termen van het aantal rijen en kolommen:

 #display rows and columns
sun(Boston)

[1] 506 14

We kunnen zien dat de dataset 506 rijen en 14 kolommen heeft.

Visualiseer de Boston-dataset

We kunnen ook plots maken om de waarden van de dataset te visualiseren.

We kunnen bijvoorbeeld de functie hist() gebruiken om een histogram te maken van de waarden van een bepaalde variabele:

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

We kunnen ook de functie plot() gebruiken om een spreidingsdiagram te maken van elke paarsgewijze combinatie van variabelen:

 #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 ) 

We kunnen een soortgelijk spreidingsdiagram maken om de relatie tussen twee variabelen in de dataset te visualiseren.

Aanvullende bronnen

De volgende tutorials bieden een uitgebreide handleiding voor andere populaire datasets in R:

Een complete gids voor de Iris-dataset in R
Een complete gids voor de mtcars-dataset in R
Een complete gids voor de diamantdataset in R