Аналитика больших данных - исследование данных

Exploratory data analysis- это концепция, разработанная Джоном Таки (1977), которая заключается в новом подходе к статистике. Идея Таки заключалась в том, что в традиционной статистике данные не анализировались графически, а просто использовались для проверки гипотез. Первая попытка разработать инструмент была сделана в Стэнфорде, проект назывался prim9 . Инструмент был способен визуализировать данные в девяти измерениях, поэтому он мог обеспечить многомерную перспективу данных.

В последние дни исследовательский анализ данных является обязательным и включен в жизненный цикл аналитики больших данных. Способность находить инсайты и иметь возможность эффективно передавать их в организации подпитывается сильными возможностями EDA.

Основываясь на идеях Таки, Bell Labs разработала S programming languageчтобы предоставить интерактивный интерфейс для ведения статистики. Идея S заключалась в том, чтобы предоставить обширные графические возможности с помощью простого в использовании языка. В современном мире, в контексте больших данных,R это основано на S язык программирования - самая популярная программа для аналитики.

Следующая программа демонстрирует использование исследовательского анализа данных.

Ниже приводится пример исследовательского анализа данных. Этот код также доступен вpart1/eda/exploratory_data_analysis.R файл.

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)

Код должен создавать изображение, подобное следующему: