Аналитика больших данных - диаграммы и графики

Первый подход к анализу данных - это визуальный анализ. Целями при этом обычно являются поиск отношений между переменными и одномерные описания переменных. Мы можем разделить эти стратегии как -

  • Одномерный анализ
  • Многомерный анализ

Одномерные графические методы

Univariateстатистический термин. На практике это означает, что мы хотим анализировать переменную независимо от остальных данных. Сюжеты, позволяющие сделать это эффективно:

Коробчатые диаграммы

Коробчатые диаграммы обычно используются для сравнения распределений. Это отличный способ визуально проверить, есть ли различия между дистрибутивами. Мы можем видеть, есть ли разница в цене на бриллианты разной огранки.

# We will be using the ggplot2 library for plotting
library(ggplot2)  
data("diamonds")  

# We will be using the diamonds dataset to analyze distributions of numeric variables 
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  0.29    Premium     I      VS2    62.4    58     334     4.20  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 

### Box-Plots
p = ggplot(diamonds, aes(x = cut, y = price, fill = cut)) + 
   geom_box-plot() + 
   theme_bw() 
print(p)

На графике мы видим различия в распределении цен на бриллианты в разных огранках.

Гистограммы

source('01_box_plots.R')

# We can plot histograms for each level of the cut factor variable using 
facet_grid 
p = ggplot(diamonds, aes(x = price, fill = cut)) + 
   geom_histogram() + 
   facet_grid(cut ~ .) + 
   theme_bw() 

p  
# the previous plot doesn’t allow to visuallize correctly the data because of 
the differences in scale 
# we can turn this off using the scales argument of facet_grid  

p = ggplot(diamonds, aes(x = price, fill = cut)) + 
   geom_histogram() + 
   facet_grid(cut ~ ., scales = 'free') + 
   theme_bw() 
p  

png('02_histogram_diamonds_cut.png') 
print(p) 
dev.off()

Вывод приведенного выше кода будет следующим:

Многомерные графические методы

Многовариантные графические методы в исследовательском анализе данных имеют целью найти взаимосвязи между различными переменными. Для этого обычно используются два способа: построить корреляционную матрицу числовых переменных или просто построить необработанные данные в виде матрицы диаграмм разброса.

Чтобы продемонстрировать это, мы будем использовать набор данных алмазов. Чтобы следовать коду, откройте скриптbda/part2/charts/03_multivariate_analysis.R.

library(ggplot2)
data(diamonds) 

# Correlation matrix plots  
keep_vars = c('carat', 'depth', 'price', 'table') 
df = diamonds[, keep_vars]  
# compute the correlation matrix 
M_cor = cor(df) 

#          carat       depth      price      table 
# carat 1.00000000  0.02822431  0.9215913  0.1816175 
# depth 0.02822431  1.00000000 -0.0106474 -0.2957785 
# price 0.92159130 -0.01064740  1.0000000  0.1271339 
# table 0.18161755 -0.29577852  0.1271339  1.0000000  

# plots 
heat-map(M_cor)

Код выдаст следующий результат -

Это сводка, она говорит нам, что существует сильная корреляция между ценой и кареткой, и не так много среди других переменных.

Корреляционная матрица может быть полезна, когда у нас есть большое количество переменных, и в этом случае построение необработанных данных нецелесообразно. Как уже упоминалось, можно также показать необработанные данные -

library(GGally)
ggpairs(df)

На графике видно, что результаты, отображаемые на тепловой карте, подтверждаются, существует корреляция между ценой и переменными в каратах 0,922.

Эту взаимосвязь можно визуализировать на диаграмме рассеяния цена-карат, расположенной в индексе (3, 1) матрицы диаграммы рассеяния.