Big Data Analytics - eksploracja danych

Exploratory data analysisto koncepcja opracowana przez Johna Tuckeya (1977), która polega na nowej perspektywie statystyki. Pomysł Tuckey polegał na tym, że w tradycyjnych statystykach dane nie były analizowane graficznie, a jedynie służyły do ​​testowania hipotez. Pierwsza próba opracowania narzędzia miała miejsce w Stanford, projekt nazwano prim9 . Narzędzie było w stanie wizualizować dane w dziewięciu wymiarach, dzięki czemu było w stanie zapewnić wielowymiarową perspektywę danych.

W ostatnich dniach eksploracyjna analiza danych jest koniecznością i została uwzględniona w cyklu życia analityki dużych zbiorów danych. Zdolność do znajdowania wglądu i skutecznego przekazywania go w organizacji jest napędzana silnymi zdolnościami EDA.

Opierając się na pomysłach Tuckey, Bell Labs opracował S programming languagew celu zapewnienia interaktywnego interfejsu do tworzenia statystyk. Ideą S było zapewnienie szerokich możliwości graficznych z łatwym w użyciu językiem. W dzisiejszym świecie w kontekście Big DataR to jest oparte na S język programowania to najpopularniejsze oprogramowanie do analityki.

Poniższy program demonstruje użycie eksploracyjnej analizy danych.

Poniżej znajduje się przykład eksploracyjnej analizy danych. Ten kod jest również dostępny wpart1/eda/exploratory_data_analysis.R plik.

library(nycflights13) 
library(ggplot2) 
library(data.table) 
library(reshape2)  

# Using the code from the previous section 
# This computes the mean arrival and departure delays by carrier. 
DT <- as.data.table(flights) 
mean2 = DT[, list(mean_departure_delay = mean(dep_delay, na.rm = TRUE), 
   mean_arrival_delay = mean(arr_delay, na.rm = TRUE)), 
   by = carrier]  

# In order to plot data in R usign ggplot, it is normally needed to reshape the data 
# We want to have the data in long format for plotting with ggplot 
dt = melt(mean2, id.vars = ’carrier’)  

# Take a look at the first rows 
print(head(dt))  

# Take a look at the help for ?geom_point and geom_line to find similar examples 
# Here we take the carrier code as the x axis 
# the value from the dt data.table goes in the y axis 

# The variable column represents the color 
p = ggplot(dt, aes(x = carrier, y = value, color = variable, group = variable)) +
   geom_point() + # Plots points 
   geom_line() + # Plots lines 
   theme_bw() + # Uses a white background 
   labs(list(title = 'Mean arrival and departure delay by carrier', 
      x = 'Carrier', y = 'Mean delay')) 
print(p)  

# Save the plot to disk 
ggsave('mean_delay_by_carrier.png', p,  
   width = 10.4, height = 5.07)

Kod powinien generować obraz, taki jak następujący -