R - Новичок: как установить переменные данных для категорий и плотности

Как новичок в R, вместо того, чтобы быть шокированным перьями и способностями R, я стремлюсь применить то, что я узнал, для анализа данных в реальном мире. Недавно я получил набор данных от Kaggle House Prices и обнаружил, что это отличный шанс для меня использовать свои навыки R для анализа данных. Как начать наше путешествие.

Для начала предлагаю сначала скачать набор данных, а также посмотреть его описания полей. Кратко рассмотрим набор данных. Прочитайте данные, как показано ниже.

> train <- fread(‘train.csv’,colClasses=c(‘MiscFeature’ = “character”, ‘PoolQC’ = ‘character’, ‘Alley’ = ‘character’))
> dim(train)
[1] 1460   81

В этом наборе данных 81 столбец и 1460 строк. Количество столбцов довольно велико, и начать с этого числа довольно сложно. Не беспокойтесь, пусть разделит столбцы по числовым и символьным.

> sapply(train, is.character)
           Id    MSSubClass      MSZoning   LotFrontage       LotArea        Street         Alley      LotShape   LandContour     Utilities     LotConfig     LandSlope 
        FALSE         FALSE          TRUE         FALSE         FALSE          TRUE          TRUE          TRUE          TRUE          TRUE          TRUE          TRUE 
 Neighborhood    Condition1    Condition2      BldgType    HouseStyle   OverallQual   OverallCond     YearBuilt  YearRemodAdd     RoofStyle      RoofMatl   Exterior1st 
         TRUE          TRUE          TRUE          TRUE          TRUE         FALSE         FALSE         FALSE         FALSE          TRUE          TRUE          TRUE 
  Exterior2nd    MasVnrType    MasVnrArea     ExterQual     ExterCond    Foundation      BsmtQual      BsmtCond  BsmtExposure  BsmtFinType1    BsmtFinSF1  BsmtFinType2 
         TRUE          TRUE         FALSE          TRUE          TRUE          TRUE          TRUE          TRUE          TRUE          TRUE         FALSE          TRUE 
   BsmtFinSF2     BsmtUnfSF   TotalBsmtSF       Heating     HeatingQC    CentralAir    Electrical      1stFlrSF      2ndFlrSF  LowQualFinSF     GrLivArea  BsmtFullBath 
        FALSE         FALSE         FALSE          TRUE          TRUE          TRUE          TRUE         FALSE         FALSE         FALSE         FALSE         FALSE 
 BsmtHalfBath      FullBath      HalfBath  BedroomAbvGr  KitchenAbvGr   KitchenQual  TotRmsAbvGrd    Functional    Fireplaces   FireplaceQu    GarageType   GarageYrBlt 
        FALSE         FALSE         FALSE         FALSE         FALSE          TRUE         FALSE          TRUE         FALSE          TRUE          TRUE         FALSE 
 GarageFinish    GarageCars    GarageArea    GarageQual    GarageCond    PavedDrive    WoodDeckSF   OpenPorchSF EnclosedPorch     3SsnPorch   ScreenPorch      PoolArea 
         TRUE         FALSE         FALSE          TRUE          TRUE          TRUE         FALSE         FALSE         FALSE         FALSE         FALSE         FALSE 
       PoolQC         Fence   MiscFeature       MiscVal        MoSold        YrSold      SaleType SaleCondition     SalePrice 
         TRUE          TRUE          TRUE         FALSE         FALSE         FALSE          TRUE          TRUE         FALSE

Приведенная выше команда сообщает вам, является ли столбец символьным или нет. Нам нужно взять все столбцы, которые отмечены как TRUE. К счастью, R предоставляет нам удобный способ сделать это:

> charColumns <- colnames(train)[which(sapply(train, is.character))]
> charColumns
[1] "MSZoning"      "Street"        "Alley"         "LotShape"      "LandContour"   "Utilities"     "LotConfig"     "LandSlope"     "Neighborhood"  "Condition1"   
[11] "Condition2"    "BldgType"      "HouseStyle"    "RoofStyle"     "RoofMatl"      "Exterior1st"   "Exterior2nd"   "MasVnrType"    "ExterQual"     "ExterCond"    
[21] "Foundation"    "BsmtQual"      "BsmtCond"      "BsmtExposure"  "BsmtFinType1"  "BsmtFinType2"  "Heating"       "HeatingQC"     "CentralAir"    "Electrical"   
[31] "KitchenQual"   "Functional"    "FireplaceQu"   "GarageType"    "GarageFinish"  "GarageQual"    "GarageCond"    "PavedDrive"    "PoolQC"        "Fence"        
[41] "MiscFeature"   "SaleType"      "SaleCondition"

Команда which дает вам индексы логического объекта и получает совпадающие имена столбцов, комбинируя его вывод с массивом из colnames(train). Теперь давайте сделаем то же самое, чтобы найти все числовые столбцы:

> numColumns <- colnames(train)[which(sapply(train, is.numeric))]
> numColumns
[1] "Id"            "MSSubClass"    "LotFrontage"   "LotArea"       "OverallQual"   "OverallCond"   "YearBuilt"     "YearRemodAdd"  "MasVnrArea"    "BsmtFinSF1"   
[11] "BsmtFinSF2"    "BsmtUnfSF"     "TotalBsmtSF"   "1stFlrSF"      "2ndFlrSF"      "LowQualFinSF"  "GrLivArea"     "BsmtFullBath"  "BsmtHalfBath"  "FullBath"     
[21] "HalfBath"      "BedroomAbvGr"  "KitchenAbvGr"  "TotRmsAbvGrd"  "Fireplaces"    "GarageYrBlt"   "GarageCars"    "GarageArea"    "WoodDeckSF"    "OpenPorchSF"  
[31] "EnclosedPorch" "3SsnPorch"     "ScreenPorch"   "PoolArea"      "MiscVal"       "MoSold"        "YrSold"        "SalePrice"

`charColumns` и numColumns хранят имена столбцов для символьных и числовых значений. Нам нужно взять значения из этих столбцов. Это где .SD и .SDcols вступают в игру.

> numTrain <- train[, .SD, .SDcols=numColumns]
> charTrain <- train[, .SD, .SDcols=charColumns]

.SD обозначает данные подмножества. .SDcols дает столбец в возвращаемом значении. Поскольку мы уже разделили набор данных поезда на числовой и символьный. Далее мы нанесем каждый из них в виде столбца символов на ggplot.

Барплотс Сюжет

Поскольку мы разделили набор данных на символьный (переменная категории) и числовой (переменная плотности). Позвольте построить их в этом разделе.

> df <- data.frame(value=charTrain[[1]])
> ggplot(data=df, aes(x=factor(value))) + stat_count()

Первое, что нам нужно сделать, это создать фрейм данных из обучающего набора и присвоить его переменной df. В этом примере я выбрал первый столбец, который является MSZonin, из набора данныхcharTrain. Затем используйте ggplot для построения значения в виде гистограммы, как показано ниже.

Чтобы убедиться, что график имеет правильное значение. Давайте проверим количество каждого значения в этом фрейме данных.

> length(df[df['value']=='RL'])
[1] 1151
> length(df[df['value']=='FV'])
[1] 65
> length(df[df['value']=='C (all)'])
[1] 10
> length(df[df['value']=='RM'])
[1] 218
> length(df[df['value']=='RH'])
[1] 16

Это довольно близко к тому, что мы наметили. Вы можете построить несколько столбцов из набора данных поезда. Возьмем еще один столбец из charTrai, это Neightbarhood.

> ndf <- data.frame(Neighborhood=charTrain[['Neighborhood']])
> ggplot(data=ndf, aes(x=Neighborhood)) + stat_count()

Ой, метки на x axial выглядят не очень красиво. Используйте приведенный ниже код, чтобы отрегулировать метку по оси X на 90 градусов.

> ggplot(data=ndf, aes(x=Neighborhood)) + stat_count() +         xlab(colnames(ndf))  + theme_light() 
+     theme(axis.text.x = element_text(angle = 90, hjust =1))

Плотность График

Для числовых переменных обычно используется график плотности для представления.

> den <- data.frame(x=numTrain[['MSSubClass']],  SalePrice=numTrain$SalePrice)
> ggplot(data=den) + geom_line(aes(x=x), stat='density', size=1, alpha=1.0) + xlab('MSSubClass')

MSSubClassиспользуется в этом примере. Вы можете построить другие переменные на основе приведенного выше кода.

Ссылка