全文概述

使用 RStudio 自带的钻石数据进行探索性数据分析练习：分析思路与作图练习

导入钻石数据集

library(ggplot2)
data('diamonds')

在这里插入图片描述

查看钻石数据集信息

?diamonds
summary((diamonds$color)) # 显示每个钻石颜色种类的数量情况

在这里插入图片描述

一览价格分布

summary(diamonds$price)# 基础预览
qplot(x=price, data = diamonds, ylab = 'Counts',
      color=I('black'), fill=I('#099DD9')) +
  scale_x_continuous(breaks = seq(0, 19000, 2000))

在这里插入图片描述

简单查看异常值数量

sum(diamonds$price <= 500)  # 1749：便宜钻石
# 异常值：$15000 以上的：三分位点+1.5IQR
sum(diamonds$price >= 15000)  # 1656

切工-价格情况 – 直方图

qplot(x=price, data=diamonds, binwidth=50,
      ylab = 'Counts') + facet_wrap(~cut)
# 因为图形有点丑陋，所以改为频率多边形图
qplot(x=price, data=diamonds, ylab = 'Counts', 
      geom = 'freqpoly', color = cut)

在这里插入图片描述

结论部分

01 拥有最高价格的钻石切工
02 最低价格的钻石切工
03 哪种切工的钻石平均价格最低

拆分 x 轴进行分析(反复筛选区间)

min(diamonds$price)  # 最低价格：326
max(diamonds$price)  # 最高价格：18823
# 细化坐标轴 price
qplot(x=price, data=diamonds, ylab = 'Counts', 
      geom = 'freqpoly', color = cut) + 
      scale_x_continuous(limits = c(300, 350), 
                         breaks=seq(300, 350, 2))

在这里插入图片描述

  # 发现最低价格在切工分类为 ideal 的钻石
    qplot(x=price, data=diamonds, ylab = 'Counts', 
          geom = 'freqpoly', color = cut) + 
      scale_x_continuous(limits = c(18800, 18823), 
                         breaks=seq(18800, 18823, 2))

在这里插入图片描述

# 惊奇的发现切工为 premium(优质切工) 的价格最高
by(diamonds$price, diamonds$cut, mean)
# fair:4358.758; Good:3928.864; very good:3981.76;
# premium:4584.258; ideal:3457.542
# 依然是高级切工 premium 的平均价格最高

探寻切工是如何影响每克拉的价格的

# 一览克拉数情况
summary(diamonds$carat)
#  Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
# 0.2000  0.4000  0.7000  0.7979  1.0400  5.0100 
qplot(x=carat, data = diamonds, ylab = 'Counts',
      color=I('black'), fill=I('#F79420'))+
      scale_x_continuous(breaks=seq(0.2, 5.0100, 0.2))
# 发现主要还是集中在 1.2 以内，所以价格÷carat后的数值可能
# 会近似长尾分布使得许多尾部数据无法充分利用，
# 提前考虑 x 坐标轴 log10 
qplot(x=price/carat, data = diamonds, 
      xlab = 'price/carat (log10)', ylab='Counts',
      color=I('black'), fill=I('#CC99FF')) + 
      scale_x_log10() # 接近正态分布

下图呈现长尾分布，需要进行坐标轴处理，否则 “尾巴” 失去意义就可惜了
在这里插入图片描述
处理坐标轴后

箱线图 – carat 与 price 组合

qplot(x=color, y=price,
      data = diamonds, geom = 'boxplot') + 
      scale_y_continuous(breaks = seq(0, 18900, 2000)) + 
      coord_flip()  # 箱线图转置

在这里插入图片描述

四分位间距 – IQR

# 颜色最优的钻石的IQR
IQR(subset(diamonds, color='D')$color) 
# 对钻石的价格进行 summary 操作，得到分位点，均值，
# 极值等情况，根据中间的颜色参数来分类
by(diamonds$price, diamonds$color, summary)

在这里插入图片描述

由颜色表示的每克拉价格箱线图

qplot(x=color, y=price/carat, data = diamonds, 
      geom = 'boxplot')

这里贪快没有使用 ggplot 的详细作图而是使用 qplot 简易作图，所以暂时没有颜色，若使用 ggplot，可以直接根据参数 variable 自动填充和谐的颜色
在这里插入图片描述

克拉频率多边形

summary(diamonds$carat)
# x：重量；y：占比
qplot(x=carat, y=..count../sum(..count..),
      data = diamonds, binwidth=0.2, ylab = 'probability',
      geom = 'freqpoly') + 
      scale_x_continuous(breaks = seq(0.2, 5.01, 0.2))