Een complete gids voor de diamantdataset in r

De diamantgegevensset is een gegevensset die is ingebouwd in het ggplot2- pakket in R.

Het bevat metingen van 10 verschillende variabelen (zoals prijs, kleur, helderheid, enz.) voor 53.940 verschillende diamanten.

In deze tutorial wordt uitgelegd hoe u de diamantdataset in R kunt verkennen, samenvatten en visualiseren.

Diamantgegevensset laden

Omdat de diamantdataset een ingebouwde dataset is in ggplot2, moeten we eerst het ggplot2-pakket installeren (als dat nog niet is gebeurd) en laden:

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

#load ggplot2
library (ggplot2)

Nadat we ggplot2 hebben geladen, kunnen we de functie data() gebruiken om de diamantgegevensset te laden:

 data(diamonds)

We kunnen de eerste zes rijen van de dataset bekijken met behulp van de head() functie:

 #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

Vat de diamantgegevensset samen

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

 #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

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.

Voor de categorische variabelen in de dataset (uitsnede, kleur en helderheid) zien we een frequentietelling van elke waarde.

Voor de snijvariabele bijvoorbeeld:

• Redelijk : deze waarde verschijnt 1.610 keer.
• Goed : deze waarde verschijnt 4.906 keer.
• Zeer goed : deze waarde verschijnt 12.082 keer.
• Premium : deze waarde verschijnt 13.791 keer.
• Ideaal : deze waarde verschijnt 21.551 keer.

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
dim(diamonds)

[1] 53940 10

We kunnen zien dat de dataset 53.940 rijen en 10 kolommen heeft.

We kunnen ook de functie namen() gebruiken om de kolomnamen van het dataframe weer te geven:

 #display column names
names(diamonds)

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

Visualiseer de Diamonds-gegevensset

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

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

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

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

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

We kunnen ook de functie geom_boxplot() gebruiken om een boxplot te maken van een variabele gegroepeerd door een andere variabele:

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

Met behulp van deze ggplot2-functies kunnen we veel leren over de variabelen in de diamantgegevensset .

Aanvullende bronnen

In de volgende zelfstudies wordt uitgelegd hoe u andere gegevenssets in R kunt verkennen:

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