R语言-线性回归案例实操

题目描述

目录

一、身高

1.条形图

2.顺序的折线图

二、体重

1.条形图

三、相关系数

1.身高和体重的散点图

2.身高和体重的热力图

---

一、身高

1.条形图

对一定区间的数据进行统计数量，绘制出条形图。按照常理，应该是符合正态分布的，但是我们班男生女生身高差大，方差也大。

# Load ggplot2
library(ggplot2)
 
# Create data
data <- data.frame(
  区间=c('160~165','166~170','171~175','176~180','181~185','185以上') ,  
  人数=c(2,7,2,10,3,2)
)
 
# Barplot
ggplot(data, aes(x=区间, y=人数)) + 
  geom_bar(stat = "identity"

2.顺序的折线图

我们可以看到是较为均匀的上升，在178阶段人数众多

# Libraries
library(ggplot2)
 
# create data
xValue <- 1:26
yValue <- c(162,   164,    167,    168,    170,    170,    170,    170,    170,    172,    175,    178,    178,    178,    178,    178,    178,    179,    179,    180,    180,    181,    181,    185,    186,    190)
data <- data.frame(xValue,yValue)
 
# Plot
ggplot(data, aes(x=xValue, y=yValue)) +
  geom_line()

二、体重

1.条形图

我们可以看到，体重大致呈现正态分布。也体现了，现实中的情况。

# Load ggplot2
library(ggplot2)
 
# Create data
data <- data.frame(
  区间=c('45~50','50~60','60~70','70~75','75以上') ,  
  人数=c(2,8,12,2,2)
)
 
# Barplot
ggplot(data, aes(x=区间, y=人数)) + 
  geom_bar(stat = "identity")

三、相关系数

1.身高和体重的散点图

我们可以看到体重和身高大致还是呈现线性关系，尤其是在两端时候。但是由于我们的数据是男女混合，可能男生女生对于体重有不同的追求。

# library
library(ggplot2)
 
# The iris dataset is provided natively by R
#head(iris)
data <- data.frame(
  体重=c(63,71,80,68,56,63,65,70,63,55,80,70,70,60,55,47,55,47,68.5,55,75,65,65,66,56,60) ,  
  身高=c(180,178,181,172,178,170,170,190,179,170,185,178,170,179,164,162,170,168,186,175,178,178,178,181,167,180)
)
 
# basic scatterplot
ggplot(data, aes(x=体重, y=身高)) + 
  geom_point()

2.身高和体重的热力图

通过颜色来表现不同的数值之间的关系

# Quick display of two cabapilities of GGally, to assess the distribution and correlation of variables 
library(GGally)
 
# Create data 
data <- data.frame(
  var1=c(63,71,80,68,56,63,65,70,63,55,80,70,70,60,55,47,55,47,68.5,55,75,65,65,66,56,60) ,  
  var2=c(180,178,181,172,178,170,170,190,179,170,185,178,170,179,164,162,170,168,186,175,178,178,178,181,167,180)
)
data$v4 = data$var1 ** 2 
data$v5 = -(data$var1 ** 2) 
 
# Check correlation between variables
#cor(data) 
 
# Nice visualization of correlations
ggcorr(data, method = c("everything", "pearson")) 

 

library(corrplot)
library(RColorBrewer)
 
data <- data.frame(
  体重=c(63,71,80,68,56,63,65,70,63,55,80,70,70,60,55,47,55,47,68.5,55,75,65,65,66,56,60) ,  
  身高=c(180,178,181,172,178,170,170,190,179,170,185,178,170,179,164,162,170,168,186,175,178,178,178,181,167,180)
)
 
corrplot(cor(data),type="upper",order="hclust",col=brewer.pal(n=8,name = "RdYlBu"))