全栈 - 15 实战 Diamonds数据集探索

这是全栈数据工程师养成攻略系列教程的第十五期：15 实战 Diamonds数据集探索。

我们已经掌握了ggplot2的基本语法，接下来以Diamonds数据集为例，结合多种图形进行实战和巩固。

查看数据

新建一个R脚本，加载ggplot2并查看diamonds数据集，diamonds数据框包含53940行，有carat、cut、color、clarity、depth、table、price、x、y、z共10列，对应每个钻石的一些参数值。

# 加载包和数据集
library(ggplot2)
library(gcookbook)
diamonds

因为数据记录太多不便于展示，所以不妨先截取原始数据的一个子集。使用sample()函数从总行数中随机采样出1000个数，然后作为行索引从原始数据框中截取出采样的行。

# 截取子集
set.seed(123)
# 从全部行中采样出1000行
diamonds <- diamonds[sample(nrow(diamonds), 1000),]

可以用summary()和str()函数查看数据框的一些概要信息。前者根据每列的数据类型，如果为数值型则给出最大值、最小值、均值等统计值，如果为类别型则给出各个水平的频数；后者给出每列的数据类型以及一些样本值。

# 查看数据框的一些概要信息
summary(diamonds)
str(diamonds)

可以使用head()和tail()函数查看数据框的前几行或最后几行。

# 查看数据框的前几行或最后几行
head(diamonds)
tail(diamonds)

价格和克拉

我们知道，钻石越大价格自然越贵，所以首先来看看价格和克拉之间存在怎样的关系。

# 价格和克拉的关系
ggplot(diamonds) + geom_point(aes(x=carat, y=price))
# 加入color和cut的影响
ggplot(diamonds) + geom_point(aes(x=carat, y=price, color=color, shape=cut))

价格分布

我们再来看看钻石的价格分布情况，由于价格为连续型变量，所以用直方图进行绘制。将price映射到x轴，ggplot2会自动划分若干个区间并统计每个价格区间内的记录数量，因此可以将直方图理解为x轴为连续变量的条形图。

# 价格分布
ggplot(diamonds) + geom_histogram(aes(x=price))
# 加入cut的影响
ggplot(diamonds) + geom_histogram(aes(x=price, fill=cut))
# 分组直方图
ggplot(diamonds) + geom_histogram(aes(x=price, fill=cut), position="dodge")
# 百分比直方图
ggplot(diamonds) + geom_histogram(aes(x=price, fill=cut), position="fill")

纯净度分布

钻石的纯净度clarity为类别型变量，所以使用条形图绘制其分布。将clarity映射到x轴即可，y轴为每个水平下的记录数量。

# 纯净度分布
ggplot(diamonds) + geom_bar(aes(x=clarity))
# 加入color的影响
ggplot(diamonds) + geom_bar(aes(x=clarity, fill=color))

价格概率分布

使用密度图即可展示连续型变量的概率分布，即某一价格钻石出现的概率。在密度图中，整个概率密度曲线下方区域的面积积分等于1。细心的话可以发现，当直方图的区间无穷小，即区间数量无穷大时，所得的轮廓形状和密度图是相同的。

# 价格的概率分布
ggplot(diamonds) + geom_density(aes(x=price))
# 加入cut的影响
ggplot(diamonds) + geom_density(aes(x=price, color=cut))
# 加入color的影响
ggplot(diamonds) + geom_density(aes(x=price, color=color))

不同切工下的价格分布

我们希望了解不同切工下，钻石价格的分布情况，可以使用箱线图实现。cut是一个类别值，映射到x轴；price是一个连续值，映射到y轴。箱线图的“箱”展示了分布的上分位数、平均值和下分位数，“线”展示了分布的最大值和最小值。

# 不同切工下价格的分布
ggplot(diamonds) + geom_boxplot(aes(x=cut, y=price))
# 加入color的影响
ggplot(diamonds) + geom_boxplot(aes(x=cut, y=price, fill=color))

坐标变换

ggplot2可以对坐标轴进行丰富的坐标轴变换，使得x轴变量和y轴变量之间的关系更直观。例如对以下散点图中的price取对数，只需要加上scale_y_log10()即可。

# 坐标变换
ggplot(diamonds) + geom_point(aes(x=carat, y=price, color=color, shape=cut)) + scale_y_log10()

标题和坐标轴标签

最后，让我们给画好的图加上标题和坐标轴标签，同样直接加上labs()即可，并使用theme()指定所用字体，使得中文能够正常显示。

# 加上标题和坐标轴标签
ggplot(diamonds) + geom_point(aes(x=carat, y=price, color=color, shape=cut)) + scale_y_log10() + labs(x='克拉', y='价格', title='克拉和价格之间的关系') + theme(text=element_text(family='Microsoft YaHei'))

使用theme()可以对绘图中的各处细节进行非常精细的控制和调整，对于任何不满意的地方都可以进行微调，详细使用方法可以参考?theme。

视频链接：Diamonds数据集探索