시각화

R 2020. 7. 9. 14:33

EDA 연습

상관관계가 높은 변수쌍 찾기

DataSet : mtcars - R 기본 내장

Motor Trend Car Road Test
Motor Trend 잡지로 부터 추출된 자료
1973~1974년도 각기 종류가 다른 32대의 자동차 자료
mpg(Miles/gallon) : 연비
cyl(Number of cylinders) : 실린더 수
disp(Displacement) : 배기량
hp(Gross horsepower) : 마력
drat(Rear axle ratio) : 후방 차축 비율
wt(Weight) : 차체 무게
qsec (1/4 mile time) : 400m 까기 걸리는 시간
vs(V/S)
am (Transmission 0 = auto, 1 = manual)
gear (Number of forward gears) : 전진장치 개수
carb (Number of carburetors) : 기화기 수

# 데이터 로드
df <- mtcars
head(df)

	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
Mazda RX4	21.0	6	160	110	3.90	2.620	16.46	0	1	4	4
Mazda RX4 Wag	21.0	6	160	110	3.90	2.875	17.02	0	1	4	4
Datsun 710	22.8	4	108	93	3.85	2.320	18.61	1	1	4	1
Hornet 4 Drive	21.4	6	258	110	3.08	3.215	19.44	1	0	3	1
Hornet Sportabout	18.7	8	360	175	3.15	3.440	17.02	0	0	3	2
Valiant	18.1	6	225	105	2.76	3.460	20.22	1	0	3	1

str(df)

'data.frame':    32 obs. of  11 variables:
 $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
 $ cyl : num  6 6 4 6 8 6 8 4 4 6 ...
 $ disp: num  160 160 108 258 360 ...
 $ hp  : num  110 110 93 110 175 105 245 62 95 123 ...
 $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
 $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
 $ qsec: num  16.5 17 18.6 19.4 17 ...
 $ vs  : num  0 0 1 1 0 1 0 1 1 1 ...
 $ am  : num  1 1 1 0 0 0 0 0 0 0 ...
 $ gear: num  4 4 4 3 3 3 3 4 4 4 ...
 $ carb: num  4 4 1 1 2 1 4 2 2 4 ...

# 모든 변수 산점도 그리기
plot(df[, c(1:5)])
plot(df[,c(6:11)])
#plot(df) 11개 다 그리기

# mpg~disp 상관 관계 높아 보여 따로 그리기 y~x
plot(df$mpg~df$disp)

# 상관계수 구하기 cor() - 상관계수 높음, 두 변수 좀 더 자세히 분석
cor(df$mpg, df$disp)

-0.847551379262479

# mpg 아웃라이어 확인 - 아웃라이어는 없고 데이터가 위쪽에 좀더 분산되어 있음
boxplot(df$mpg)

# 히스토그램 hist() - 분산 상태 확인
hist(df$mpg)

# 히스토그램 hist()- 분산 상태 확인 2
hist(df$mpg, breaks = 10)

# disp 아웃라이어 확인 - 아웃라이어는 없고 110~320에 몰려 있음
boxplot(df$disp)

hist(df$disp)

hist(df$disp, breaks = 20)

mpg, disp

두 변수 모두 이상점 없음
두 변수 상관관계가 있음을 방해하는 요소는 없어 보임
확증을 하기 위해서는 가설검증과 회귀분석 진행
EDA 단계는 증거를 수집하고 특징을 찾는 것

다이아몬드 데이터 분석하기 - 가격에 영향을 미치는 것은?

Data set : diamonds

ggplot2 패키지에 포함
캐럿, 가격, 컷팅방법, 컬러 등 다이아몬드 정보

library('ggplot2')

Warning message:
"package 'ggplot2' was built under R version 3.6.3"

# 데이터 로드
df <- diamonds
str(df)

tibble [53,940 x 10] (S3: tbl_df/tbl/data.frame)
 $ carat  : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
 $ depth  : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
 $ table  : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
 $ price  : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
 $ x      : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
 $ y      : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
 $ z      : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...

# 관측치가 많아 Data 임의개수 추출 - sample(10, 2) 10개중 2개 추출
Sample <- df[sample(nrow(df), 300),] # 53940 중 300개 추출
attach(Sample) # attach - 메모리에 올려서 $ 없이 변수사용가능

str(Sample)

tibble [300 x 10] (S3: tbl_df/tbl/data.frame)
 $ carat  : num [1:300] 2 0.3 0.53 0.7 0.71 0.91 0.27 1.2 0.31 0.38 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 3 2 3 5 3 3 5 4 3 3 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 1 2 5 3 1 2 6 2 3 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 4 4 3 4 2 6 2 2 7 ...
 $ depth  : num [1:300] 62.9 63.1 60.1 61.8 62.2 62 62.5 60 61.2 61.6 ...
 $ table  : num [1:300] 56 58 59 53 56 62 57 58 61 58 ...
 $ price  : int [1:300] 16064 568 1852 2499 2662 3463 799 4989 435 1200 ...
 $ x      : num [1:300] 7.94 4.26 5.24 5.71 5.7 6.16 4.13 6.91 4.36 4.61 ...
 $ y      : num [1:300] 8 4.3 5.27 5.74 5.72 6.25 4.1 6.93 4.37 4.65 ...
 $ z      : num [1:300] 5.01 2.7 3.16 3.54 3.55 3.85 2.57 4.15 2.67 2.85 ...

# 가격 분석
boxplot(price)

# 가격 이상치 - EDA로 원인 찾기
# price 와 관련된 그래프 그리기
par(mfrow = c(3,3))
plot(data=Sample, price~.) # y축(종속변수) price

# price 에 carat, x, y, z 등이 영항이 있어 보임
par(mfrow = c(2,2))
plot(price~carat+x+y+z)

# 상관 계수 구하기
Sample2 <- data.frame(price, carat, x, y, z)
cor(Sample2)

	price	carat	x	y	z
price	1.0000000	0.9312732	0.8966988	0.8958036	0.8923548
carat	0.9312732	1.0000000	0.9788762	0.9783356	0.9820316
x	0.8966988	0.9788762	1.0000000	0.9990100	0.9927153
y	0.8958036	0.9783356	0.9990100	1.0000000	0.9925702
z	0.8923548	0.9820316	0.9927153	0.9925702	1.0000000

price에 carat, y, x, z 순으로 영향을 미치는 것 같음
x, y는 상관계수 거의 1
원인을 찾는 것이 더 어려움, 잠정적 결론
EDA는 결론보다 탐색하면서 궁금증을 가지고 원인을 찾는 것

# price, carat, x 특징 파악
par(mfrow = c(1, 3))
boxplot(price, main='price')
boxplot(carat, main='carat')
boxplot(x, main='x')

price, carat 에 이상치가 많음 => carat 이 price에 이상치가 생기도록 영향을 미쳤을 수 있음

# carat 오름차순 정렬
reCarat <- carat[order(carat)]
par(mfrow = c(1,1))
plot(reCarat)

carat 이 2차 함수와 비슷
carat 이 올라갈수록 값이 급격히 커짐
이런 성향 때문에 이상치 발생 예상

# carat 값 급격히 커지는 부분 제거
Sample2 <- subset(Sample, subset = (Sample$carat <1.0))
par(mfrow = c(1,2))
boxplot(Sample$carat, main='carat 1.0 포함')
boxplot(Sample2$carat, main='carat 1.0 미포함')

# 가격 분석 - 1 carat 넘으면 가격 이사이 발생
boxplot(Sample2$price)

자료를 탐색하고 의문점이 생기면 그 원인을 찾는 것이 탐색적 자료 분석(EDA)

섬세한 그래프를 그려 데이터 분석하기 - ggplot()

# 데이터 확인
library('ggplot2')
library('ggthemes')
str(diamonds)

Warning message:
"package 'ggthemes' was built under R version 3.6.3"

tibble [53,940 x 10] (S3: tbl_df/tbl/data.frame)
 $ carat  : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
 $ cut    : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
 $ color  : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
 $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
 $ depth  : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
 $ table  : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
 $ price  : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
 $ x      : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
 $ y      : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
 $ z      : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...

# x와 price 산점도 그리기
ggplot(diamonds, aes(x=x, y=price)) + geom_point()

# clarity 변수 컬러에 추가
# clarity는 여러 값에 분포되어 있어  price에 영향은 없는듯
ggplot(diamonds, aes(x=x, y=price, colour=clarity)) + geom_point()

# 테마 적용
ggplot(diamonds, aes(x=x, y=price, colour=clarity)) + 
geom_point() + 
theme_solarized_2()

# 데이터 겹침 조절 - alpha
# price 8000 정도까지 몰려 있음
ggplot(diamonds, aes(x=x, y=price, colour=clarity)) + 
geom_point(alpha=0.03) + 
guides(colour = guide_legend(override.aes = list(alpha = 1))) + 
theme_solarized_2()

# legend 만 alpha 값 1 - guide()
ggplot(diamonds, aes(x=x, y=price, colour=clarity)) + 
geom_point(alpha=0.03) + 
guides(colour = guide_legend(override.aes = list(alpha = 1))) + 
theme_solarized_2()

# x축 범위 조절(3~9), 수평선으로 평균 표시 geom_hline()
ggplot(diamonds, aes(x=x, y=price, colour=clarity)) +
geom_point(alpha=0.03) +
geom_hline(yintercept=mean(diamonds$price), color="turquoise3", alpha=.8) + 
guides(colour = guide_legend(override.aes = list(alpha = 1))) +
xlim(3,9) +
theme_solarized_2()

Warning message:
"Removed 50 rows containing missing values (geom_point)."

시계열데이터 라인 그래프로 나타내기

Data set : 간단한 시간대별 매출 자료

# 데이터 로드
TS <- read.csv('r-ggagi-data/example_ts.csv')
str(TS)
head(TS)

'data.frame':    24 obs. of  2 variables:
 $ Date : num  2014 2014 2014 2014 2014 ...
 $ Sales: int  2000 2300 2400 2500 2800 3100 2900 3000 3300 3400 ...

Date	Sales
2014.01	2000
2014.02	2300
2014.03	2400
2014.04	2500
2014.05	2800
2014.06	3100

# 시각화 geom_line()
ggplot(TS, aes(x=Date, y=Sales)) + geom_line()

# x축에 날짜 모두 표시하기 - factor()
# group=1 하나의 라인으로 연속 그릴 때 
ggplot(TS, aes(x=factor(Date), y=Sales, group=1)) + geom_line()

# 점 추가 geom_point()
ggplot(TS, aes(x=factor(Date), y=Sales, group=1)) + geom_line() + geom_point()

# 테마 적용
ggplot(TS, aes(x=factor(Date), y=Sales, group=1)) + geom_line() + geom_point() + theme_economist()

# 디자인 값 변경
ggplot(TS, aes(x=factor(Date), y=Sales, group=1)) + 
geom_line(colour="orange1", size=1) + 
geom_point(colour="orangered2", size=4) + 
theme_economist()

# title, x, y 축 이름 추가
ggplot(TS, aes(x=factor(Date), y=Sales, group=1)) +
geom_line(colour="orange1", size=1) + 
geom_point(colour="orangered2", size=4) + 
xlab("년도")+ ylab("매출") + ggtitle("A기업 월별 매출") + 
theme_economist()

dplyr 패키지로 데이터 선택 해 그래프 나타내기 - filter()

ggplot2 만든 Hadley Wickham 교수가 data.frame 객체를 쉽게 다루기 위해 만든 패키지

install.packages('dplyr')

package 'dplyr' successfully unpacked and MD5 sums checked


Warning message:
"cannot remove prior installation of package 'dplyr'"Warning message in file.copy(savedcopy, lib, recursive = TRUE):
"D:\bigdata\python\Anaconda\envs\r_study\Lib\R\library\00LOCK\dplyr\libs\i386\dplyr.dll를 D:\bigdata\python\Anaconda\envs\r_study\Lib\R\library\dplyr\libs\i386\dplyr.dll로 복사하는데 문제가 발생했습니다: Permission denied"Warning message:
"restored 'dplyr'"


The downloaded binary packages are in
    C:\Users\205\AppData\Local\Temp\RtmpishXDd\downloaded_packages

library('dplyr')
library('ggplot2')
library('ggthemes')

Warning message:
"package 'dplyr' was built under R version 3.6.3"
Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

# 데이터 로드 - 전국 인구조사 자료
DF <- read.csv("r-ggagi-data/example_population_f.csv")
DF <- DF[,-1] #첫번재 열은 ID숫자이기 때문에 삭제합니다.
DF <- tbl_df(DF) #tbl_df ( tibble diff라고도 함 ) 데이터 프레임 의 변형, dataframe + dplyr 속성추가
head(DF)

Warning message:
"`tbl_df()` is deprecated as of dplyr 1.0.0.
Please use `tibble::as_tibble()` instead.
This warning is displayed once every 8 hours.
Call `lifecycle::last_warnings()` to see where this warning was generated."

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
서울특별시	종로구	155695	72882	2.14	76962	78733	0.98
서울특별시	중구	126817	59614	2.13	63292	63525	1.00
서울특별시	용산구	235186	108138	2.17	114119	121067	0.94
서울특별시	성동구	298145	126915	2.35	148265	149880	0.99
서울특별시	광진구	362197	158769	2.28	177946	184251	0.97
서울특별시	동대문구	362604	160110	2.26	181825	180779	1.01

# 충청도 도시들의 인구 그래프 그리기 - filter() 조건 vs subset()
DF2 <- filter(DF, Provinces=="충청북도" | Provinces=="충청남도")
head(DF2)

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
충청북도	청주시	832387	334276	2.49	417505	414882	1.01
충청북도	청주시 상당구	178536	70873	2.52	89037	89499	0.99
충청북도	청주시 서원구	222817	88212	2.53	110729	112088	0.99
충청북도	청주시 흥덕구	251652	101572	2.48	126533	125119	1.01
충청북도	청주시 청원구	179382	73619	2.44	91206	88176	1.03
충청북도	충주시	208173	87078	2.39	104828	103345	1.01

# 그래프 그리기
Graph <- ggplot(DF2, aes(x=City, y=Population, fill=Provinces)) + 
geom_bar(stat='identity') + theme_wsj()
Graph

# 오름차순 정렬 - reorder() 
GraphReorder <- ggplot(DF2, aes(x=reorder(City, Population), y=Population, fill=Provinces)) + 
geom_bar(stat='identity') + theme_wsj()
GraphReorder

# 남자비율이 높고 1인가구가 많은 도시
DF3 <- filter(DF, SexRatio > 1, PersInHou < 2)
DF3

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
인천광역시	옹진군	20825	11172	1.86	11715	9110	1.29
강원도	화천군	26790	13433	1.99	14989	11801	1.27
강원도	고성군	30066	15485	1.94	16109	13957	1.15
충청북도	괴산군	38027	19145	1.99	19309	18718	1.03
전라남도	신안군	43566	22248	1.96	22899	20667	1.11
경상북도	울릉군	10304	5365	1.92	5518	4786	1.15

# 시각화
Graph <- ggplot(DF3, aes(x=City, y=SexRatio, fill=Provinces)) + 
geom_bar(stat='identity') + theme_wsj()
Graph

dplyr 패키지로 데이터 만들고 그래프 나타내기 - mutate()

library('dplyr')
library('ggplot2')
library('ggthemes')

# 데이터 로드 - 전국 인구조사 자료
DF <- read.csv("r-ggagi-data/example_population_f.csv")
DF <- DF[,-1] #첫번재 열은 ID숫자이기 때문에 삭제합니다.
DF <- tbl_df(DF) #tbl_df ( tibble diff라고도 함 ) 데이터 프레임 의 변형, dataframe + dplyr 속성추가
head(DF)

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
서울특별시	종로구	155695	72882	2.14	76962	78733	0.98
서울특별시	중구	126817	59614	2.13	63292	63525	1.00
서울특별시	용산구	235186	108138	2.17	114119	121067	0.94
서울특별시	성동구	298145	126915	2.35	148265	149880	0.99
서울특별시	광진구	362197	158769	2.28	177946	184251	0.97
서울특별시	동대문구	362604	160110	2.26	181825	180779	1.01

# 남녀비율 문자로 나타내는 변수 추가 - mutate() vs cbind()
DF <- mutate(DF, SexF = ifelse(SexRatio < 1, "여자비율높음", 
         ifelse(SexRatio > 1, "남자비율높음", "남여비율같음")))
head(DF)

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio	SexF
서울특별시	종로구	155695	72882	2.14	76962	78733	0.98	여자비율높음
서울특별시	중구	126817	59614	2.13	63292	63525	1.00	남여비율같음
서울특별시	용산구	235186	108138	2.17	114119	121067	0.94	여자비율높음
서울특별시	성동구	298145	126915	2.35	148265	149880	0.99	여자비율높음
서울특별시	광진구	362197	158769	2.28	177946	184251	0.97	여자비율높음
서울특별시	동대문구	362604	160110	2.26	181825	180779	1.01	남자비율높음

# SexF 순서있는 변수로 변환
DF$SexF <- factor(DF$SexF)
DF$SexF <- ordered(DF$SexF, c("여자비율높음", "남여비율같음", "남자비율높음"))

# 경기도 데이터 적재
DF2 <- filter(DF, Provinces=="경기도")

# 시각화 - 경기도 남자비율 높음
Graph <- ggplot(DF2, aes(x=City, y=(SexRatio-1), fill=SexF)) + 
geom_bar(stat='identity') + theme_wsj()
Graph

# 서울 데이터 적재
DF3 <- filter(DF, Provinces=="서울특별시")

# 시각화 - 서울 여자 비율 높음
Graph2 <- ggplot(DF3, aes(x=City, y=(SexRatio-1), fill=SexF)) + 
geom_bar(stat='identity') + theme_wsj()
Graph2

reshape2 패키지 melt() 이용 데이터 가공 후 그래프 나타내기

melt() : 명목형 변수로 만들어 줌
Data set : 전국 인구조사 자료

library("dplyr")
library("ggplot2")
library("ggthemes")
library("reshape2")

# 데이터 로드
DF <- read.csv('r-ggagi-data/example_population_f.csv')
DF <- DF[,-1] # 첫번째 열은 ID 숫자이기 때문에 삭제
DF <- tbl_df(DF) # tbl_df (tibble diff 라고도 함) 데이터 프레임의 변형, dataframe + dplyr 속성추가
head(DF)

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
서울특별시	종로구	155695	72882	2.14	76962	78733	0.98
서울특별시	중구	126817	59614	2.13	63292	63525	1.00
서울특별시	용산구	235186	108138	2.17	114119	121067	0.94
서울특별시	성동구	298145	126915	2.35	148265	149880	0.99
서울특별시	광진구	362197	158769	2.28	177946	184251	0.97
서울특별시	동대문구	362604	160110	2.26	181825	180779	1.01

# 도별 합계 = 도시별(group by) 계산 summarise() 합계 sum()
group <- group_by(DF, Provinces) # 도시별
DF2 <-  summarise(group, SumPopulation=sum(Population), Male=sum(Male), Female=sum(Female))
DF2

`summarise()` ungrouping output (override with `.groups` argument)

Provinces	SumPopulation	Male	Female
강원도	1547166	780487	766679
경기도	18723822	9401705	9322117
경상남도	4428762	2235747	2193015
경상북도	3215695	1616853	1598842
광주광역시	1476974	731808	745166
대구광역시	2491137	1239275	1251862
대전광역시	1525656	763262	762394
부산광역시	3517491	1737975	1779516
서울특별시	10078850	4962774	5116076
울산광역시	1169768	602945	566823
인천광역시	2914271	1464320	1449951
전라남도	1902638	950693	951945
전라북도	2523806	1252574	1271232
제주특별자치도	615250	308627	306623
충청남도	2671383	1355937	1315446
충청북도	2414568	1215413	1199155

# melt(DF2, measure.vars = 바꿀변수들) - 성별을 하나의 명목형 변수로 처리 하고 싶을 때
DF3 <- melt(DF2, measure.vars = c('Male', 'Female'))

DF2
DF3

Provinces	SumPopulation	Male	Female
강원도	1547166	780487	766679
경기도	18723822	9401705	9322117
경상남도	4428762	2235747	2193015
경상북도	3215695	1616853	1598842
광주광역시	1476974	731808	745166
대구광역시	2491137	1239275	1251862
대전광역시	1525656	763262	762394
부산광역시	3517491	1737975	1779516
서울특별시	10078850	4962774	5116076
울산광역시	1169768	602945	566823
인천광역시	2914271	1464320	1449951
전라남도	1902638	950693	951945
전라북도	2523806	1252574	1271232
제주특별자치도	615250	308627	306623
충청남도	2671383	1355937	1315446
충청북도	2414568	1215413	1199155

Provinces	SumPopulation	variable	value
강원도	1547166	Male	780487
경기도	18723822	Male	9401705
경상남도	4428762	Male	2235747
경상북도	3215695	Male	1616853
광주광역시	1476974	Male	731808
대구광역시	2491137	Male	1239275
대전광역시	1525656	Male	763262
부산광역시	3517491	Male	1737975
서울특별시	10078850	Male	4962774
울산광역시	1169768	Male	602945
인천광역시	2914271	Male	1464320
전라남도	1902638	Male	950693
전라북도	2523806	Male	1252574
제주특별자치도	615250	Male	308627
충청남도	2671383	Male	1355937
충청북도	2414568	Male	1215413
강원도	1547166	Female	766679
경기도	18723822	Female	9322117
경상남도	4428762	Female	2193015
경상북도	3215695	Female	1598842
광주광역시	1476974	Female	745166
대구광역시	2491137	Female	1251862
대전광역시	1525656	Female	762394
부산광역시	3517491	Female	1779516
서울특별시	10078850	Female	5116076
울산광역시	1169768	Female	566823
인천광역시	2914271	Female	1449951
전라남도	1902638	Female	951945
전라북도	2523806	Female	1271232
제주특별자치도	615250	Female	306623
충청남도	2671383	Female	1315446
충청북도	2414568	Female	1199155

colnames(DF3)[3] <- 'Sex'
colnames(DF3)[4] <- 'Population'
head(DF3)

Provinces	SumPopulation	Sex	Population
강원도	1547166	Male	780487
경기도	18723822	Male	9401705
경상남도	4428762	Male	2235747
경상북도	3215695	Male	1616853
광주광역시	1476974	Male	731808
대구광역시	2491137	Male	1239275

# 남녀 비율 추가
DF4 <- mutate(DF3, Ratio = Population/SumPopulation)
DF4$Ratio <- round(DF4$Ratio, 3)
head(DF4)

Provinces	SumPopulation	Sex	Population	Ratio
강원도	1547166	Male	780487	0.504
경기도	18723822	Male	9401705	0.502
경상남도	4428762	Male	2235747	0.505
경상북도	3215695	Male	1616853	0.503
광주광역시	1476974	Male	731808	0.495
대구광역시	2491137	Male	1239275	0.497

# 시각화
G1 <- ggplot(DF4, aes(x=Provinces, y=Ratio, fill=Sex)) + 
geom_bar(stat='identity') +
theme_wsj()

G2 <- geom_text(aes(y=Ratio, label=Ratio), colour = 'white')

G1 + G2

# 시각화 - coord_cartesian() 부분 확대
G1 <- ggplot(DF4, aes(x=Provinces, y=Ratio, fill=Sex)) + 
geom_bar(stat='identity') + 
coord_cartesian(ylim = c(0.45, 0.55)) + 
theme_wsj()

G2 <- geom_text(aes(y=Ratio, label=Ratio), colour="white")

G1 + G2

# 비율값 위치 조정
DF4 <- mutate(DF4, Position = ifelse(Sex == 'Male', 0.475, 0.525))
head(DF4)

Provinces	SumPopulation	Sex	Population	Ratio	Position
강원도	1547166	Male	780487	0.504	0.475
경기도	18723822	Male	9401705	0.502	0.475
경상남도	4428762	Male	2235747	0.505	0.475
경상북도	3215695	Male	1616853	0.503	0.475
광주광역시	1476974	Male	731808	0.495	0.475
대구광역시	2491137	Male	1239275	0.497	0.475

# 시각화 - geom_text()
G1 <- ggplot(DF4, aes(x=Provinces, y=Ratio, fill=Sex)) + 
geom_bar(stat='identity') + 
coord_cartesian(ylim = c(0.45, 0.55)) + theme_wsj()
G2 <- geom_text(aes(y=Position, label=Ratio), colour="white")
G1 + G2

클리블랜드 점 그래프 그리기

Data set : 전국 인구조사 자료

require("dplyr")
require("ggplot2")
require("ggthemes")

# 데이터 로드
DF <- read.csv("r-ggagi-data/example_population_f.csv")
DF <- DF[,-1] #첫번재 열은 ID숫자이기 때문에 삭제합니다.
DF <- tbl_df(DF) #tbl_df ( tibble diff라고도 함 ) 데이터 프레임 의 변형, dataframe + dplyr 속성추가
head(DF)

Provinces	City	Population	Households	PersInHou	Male	Female	SexRatio
서울특별시	종로구	155695	72882	2.14	76962	78733	0.98
서울특별시	중구	126817	59614	2.13	63292	63525	1.00
서울특별시	용산구	235186	108138	2.17	114119	121067	0.94
서울특별시	성동구	298145	126915	2.35	148265	149880	0.99
서울특별시	광진구	362197	158769	2.28	177946	184251	0.97
서울특별시	동대문구	362604	160110	2.26	181825	180779	1.01

# 남녀비율 명목형 변수로 만들기
DF2 <- mutate(DF, SexF = ifelse(SexRatio > 1, "남자비율높음", 
                                ifelse(SexRatio == 1, "남녀비율같음", "여자비율높음")))

# 경기도 데이터 적재
DF3 <- filter(DF2, Provinces=="경기도")

# 시각화 - geom_segment() x축 시작위치 xend=0, y축 명목형 변수 yend=City
Graph <- ggplot(DF3, aes(x=(SexRatio-1), y=reorder(City, SexRatio))) + 
geom_segment(aes(yend=City), xend=0, colour="grey50") + 
geom_point(size=4, aes(colour=SexF)) + theme_minimal()
Graph

시간에 따른 연령별 인구 변화 그래프 그리기

DataSet : 통계청 사이트에서 Download (www.kosis.or.kr)
시간별 인구변화 자료

library("dplyr")
library("ggplot2")
library("ggthemes")
library("reshape2")
library("scales") # 2e_07 => 200,000 표시

Warning message:
"package 'scales' was built under R version 3.6.3"

# 데이터 로드
DF <- read.csv('r-ggagi-data/example_population2.csv')
DF <- tbl_df(DF)

head(DF)

Time	Sex	Population	age0to4	age5to9	age10to14	age15to19	age20to24	age25to29	age30to34	...	age60to64	age65to69	age70to74	age75to79	age80to84	age85to89	age90to94	age95to99	age100to104	age105to109
1960	Male	12550691	2383544	1733443	1358903	1248858	1171363	960543	738376	...	230431	141661	80707	45335	NA	NA	NA	NA	NA	NA
1960	Female	12461683	2207268	1617090	1287335	1169586	1151342	972537	817952	...	288034	204014	129687	65864	NA	NA	NA	NA	NA	NA
1961	Male	12936583	2452879	1864580	1402613	1240278	1188724	1017695	765035	...	239434	141887	84914	47111	NA	NA	NA	NA	NA	NA
1961	Female	12829090	2276565	1736162	1332220	1145417	1175745	1010896	844596	...	296408	202677	139524	69374	NA	NA	NA	NA	NA	NA
1962	Male	13320983	2500793	1983775	1448949	1255899	1204229	1065655	793285	...	241992	148284	86420	49893	NA	NA	NA	NA	NA	NA
1962	Female	13192047	2323482	1846082	1369542	1150735	1192695	1051348	874853	...	296126	212423	140591	76638	NA	NA	NA	NA	NA	NA

# 남녀를 합쳐 새로운 datafram 생성 5세 => 10세 단위
group <- group_by(DF, Time)
DF2 <- summarise(group, s0=sum(age0to4, age5to9),
                 s10=sum(age10to14, age15to19),
                 s20=sum(age20to24, age25to29),
                 s30=sum(age30to34, age35to39),
                 s40=sum(age40to44, age45to49),
                 s50=sum(age50to54, age55to59),
                 s60=sum(age60to64, age65to69),
                 s70=sum(age70to74, age75to79),
                 s80=sum(age80to84, age85to89),
                 s90=sum(age90to94, age95to99),
                 s100=sum(age100to104, age105to109))

`summarise()` ungrouping output (override with `.groups` argument)

head(DF2)

Time	s0	s10	s20	s30	s40	s50	s60	s70	s80	s90	s100
1960	7941345	5064682	4255785	2926453	2104964	1474230	864140	321593	NA	NA	NA
1961	8330186	5120528	4393060	2987916	2154627	1492633	880406	340923	NA	NA	NA
1962	8654132	5225125	4513927	3061297	2210697	1527018	898825	353542	NA	NA	NA
1963	8955786	5375068	4590600	3148634	2273571	1576341	911748	357878	NA	NA	NA
1964	9155797	5598769	4640279	3271141	2328024	1623340	912204	379013	NA	NA	NA
1965	9260938	5924880	4654662	3400903	2385998	1665823	934334	397242	NA	NA	NA

DF3 <- melt(DF2, measure.vars=c("s0", "s10", "s20", "s30", "s40", "s50", "s60", "s70", "s80", "s90", "s100"))
head(DF3)
colnames(DF3) <- c("Time", "Generation", "Population")

Time	variable	value
1960	s0	7941345
1961	s0	8330186
1962	s0	8654132
1963	s0	8955786
1964	s0	9155797
1965	s0	9260938

head(DF3)

Time	Generation	Population
1960	s0	7941345
1961	s0	8330186
1962	s0	8654132
1963	s0	8955786
1964	s0	9155797
1965	s0	9260938

# 시각화 - geom_area() 영역 그래프
G1 <- ggplot(DF3, aes(x=Time, y=Population, colour=Generation, fill=Generation)) + 
geom_area(alpha=.6) + theme_wsj()
G1

Warning message:
"Removed 141 rows containing missing values (position_stack)."

# y축 값 변경 - scale_y_continuous(labels = comma)
G2 <- ggplot(DF3, aes(x=Time, y=Population, colour=Generation, fill=Generation)) + 
geom_area(alpha=.6) + theme_wsj()
G2 + scale_y_continuous(labels = comma)

Warning message:
"Removed 141 rows containing missing values (position_stack)."

Chap04-2.html

1.63MB

'R' 카테고리의 다른 글

확률 (0)	2020.07.13
시각화 - D3.js (0)	2020.07.09
시각화 (0)	2020.07.07
기술통계 - 실전 예제 (0)	2020.07.07
기술통계 (0)	2020.07.06

ABOUT ME

Bigdata Bigdata

시각화

EDA 연습

상관관계가 높은 변수쌍 찾기

다이아몬드 데이터 분석하기 - 가격에 영향을 미치는 것은?

price, carat 에 이상치가 많음 => carat 이 price에 이상치가 생기도록 영향을 미쳤을 수 있음

섬세한 그래프를 그려 데이터 분석하기 - ggplot()

시계열데이터 라인 그래프로 나타내기

dplyr 패키지로 데이터 선택 해 그래프 나타내기 - filter()

dplyr 패키지로 데이터 만들고 그래프 나타내기 - mutate()

reshape2 패키지 melt() 이용 데이터 가공 후 그래프 나타내기

클리블랜드 점 그래프 그리기

시간에 따른 연령별 인구 변화 그래프 그리기

'R' 카테고리의 다른 글

티스토리툴바

ABOUT ME

시각화

EDA 연습

상관관계가 높은 변수쌍 찾기

다이아몬드 데이터 분석하기 - 가격에 영향을 미치는 것은?

price, carat 에 이상치가 많음 => carat 이 price에 이상치가 생기도록 영향을 미쳤을 수 있음

섬세한 그래프를 그려 데이터 분석하기 - ggplot()

시계열데이터 라인 그래프로 나타내기

dplyr 패키지로 데이터 선택 해 그래프 나타내기 - filter()

dplyr 패키지로 데이터 만들고 그래프 나타내기 - mutate()

reshape2 패키지 melt() 이용 데이터 가공 후 그래프 나타내기

클리블랜드 점 그래프 그리기

시간에 따른 연령별 인구 변화 그래프 그리기

'R' 카테고리의 다른 글

관련글 관련글 더보기

티스토리툴바