R语言数据集分析--葡萄酒

R语言对数据的分析

数据集信息：From http://archive.ics.uci.edu/ml/datasets/Wine+Quality这两个数据集与葡萄牙“Vinho佛得角”葡萄酒的红色和白色变种有关。欲了解更多详情，由于隐私和逻辑问题，只有物理化学(输入)和感官(输出)变量是可用的(例如，没有关于葡萄品种、葡萄酒品牌、葡萄酒销售价格等的数据)。

这些数据集可视为分类或回归任务。这类葡萄酒是按顺序排列的，而且不平衡(例如，普通葡萄酒比优质或劣质葡萄酒多)。离群点检测算法可以用来检测少数优秀或劣质葡萄酒。此外，我们也不确定是否所有输入变量都相关。因此，测试特征选择方法可能很有趣。

属性信息：
详情请参阅[Cortez等人，2009年]。
输入变量(基于物理化学测试)：
1-固定酸度
2-挥发性酸度
3-柠檬酸
4-残余糖
5-氯化物
6-游离二氧化硫
7-总二氧化硫
8-密度
9-pH
10-硫酸盐
11-酒精
输出变量(基于感官数据)：
12-质量(分数在0至10分之间)

实验过程及图片：
一、红葡萄酒分析

library(ggplot2)
library(tidyverse)
library(mice)
library(VIM)
library(psych) data1 <- read.csv2(“winequality-red.csv”,header = T)
view(data1)
class(data1)
data1[,1:11]<-lapply(df[,1:11],as.character)
data1[,1:11]<-lapply(df[,1:11],as.numeric)
view(data1)

aggr(data1,prop=F,numbers=T)#分析是否有残缺值

分析：由图可知没有残缺值
pairs.panels(data1[c(“quality”,“alcohol”,“sulphates”,“density”)])#画散点图矩阵

pairs.panels(data1[c(“quality”,“alcohol”,“sulphates”,“density”,“residual.sugar”,“pH”,“citric.acid”)])#多变量相关性分析

二、白葡萄酒分析

library(ggplot2)
library(tidyverse)
data<-read.csv2(“C:\includeR\winequality-white.csv”,header = T)
View(data)
>head(data)

class(data)# [1] “data.frame”
df[,1:11]<-lapply(df[,1:11],as.character)#将数据中数据的因素格式转化为字符

df[,1:11]<-lapply(df[,1:11],as.numeric)#将数据转化为数值

str(data)
install.packages(“mice”)#缺失值处理包
library(mice)
install.packages(“VIM”)#利用第三方编辑包VIM对R语言中的缺失值分析
library(VIM)
aggr(data,prop=F,numbers=T)
#从图中可以看出没有缺失值

ggplot(aes(x=quality),data=data) + geom_bar()+scale_x_continuous(lim=c(3,9),breaks = seq(3,9,1))
#由于我们最关注葡萄酒质量分布情况，所以对质量进行单变量分析

#右图可见呈正态分布。
#使用summary对总体进行分析
summary(data)

#由图可知各变量的最大值最小值和中位值等值。
ggplot(aes(x = fixed.acidity), data = df) +
geom_histogram(binwidth = 0.1) +
scale_x_continuous(breaks = seq(3.5, 15.5, 3))
summary(df$fixed.acidity)#画出固定酸含量分布图。


分析：从结果中可以发现，固定酸的含量大致是一个正态分布。50%的数据分布在6.3-7.3(g/dm^3)的范围之内。中位数为6.800,平均值为 6.855。

ggplot(aes(x = volatile.acidity), data = df) +geom_histogram(binwidth = 0.01) +scale_x_continuous(breaks = seq(0.1, 1.2, 0.2))
summary(df$volatile.acidity)#画出挥发性酸含量分布图。


分析：从结果中，我们可以发现，挥发酸的含量大致是一个正态分布。50%的数据分布在0.21-0.32(g/dm^3)的范围之内。中位数为0.26,平均值为 0.2782。

ggplot(aes(x = citric.acid), data = df) + geom_histogram(binwidth = 0.01) + scale_x_continuous(breaks = seq(0, 1.8, 0.2))
summary(df$citric.acid)


分析：从结果中，我们可以发现，柠檬酸的含量大致是一个正态分布(除去右边的大于0.6的异常值)。50%的数据分布在0.27-0.39(g/dm^3)的范围之内。中位数为0.32,平均值为0.3342。同时由于，上述提到的三个变量都是酸，因此把固定酸，挥发酸，柠檬酸三项合起来定义一个新的特征总酸量。

ggplot(aes(x = residual.sugar), data = df) +geom_histogram(binwidth = 1)#画出残留唐分布图
summary(df$residual.sugar)


分析：从图中可以看出，残留糖分不是正态分布也不像偏态分布，并且由于坐标之间差距很大，因此在下图使用Log10作伪标尺，再来确认一下分布。从数据上可以看出，50%的数据分布在1.7-9.9(g/dm^3)的范围内，中位数为5.2,平均数为6.391。
ggplot(aes(x = residual.sugar), data = df) +geom_histogram(binwidth = 0.05) +scale_x_log10() +xlab(‘residual.sugar by log10’)#用log10尺度来显示分布图。

分析：从图中可以发现，变成log10显示后，很明显残余糖分出现了一个双峰的形状。结合这个因素，我们新定义一个特征，类型。以5为分界线，定义干葡萄酒(dry)以及甜葡萄酒(sweet)。

df$type<-ifelse(df$residual.sugar >= 5, ‘sweet’, ‘dry’)#建立新的变量类型包含甜和甘。
ggplot(aes(x = type), data = df) + geom_bar(width = 0.3)

table(df$type)

分析：可以看到干葡萄酒和甜葡萄酒数量分别是2367,2531。

ggplot(aes(x = free.sulfur.dioxide), data = df) +geom_histogram(binwidth = 2)#画游离二氧化硫分布图

分析：从结果中可以发现整体是一个长尾分布，50%的数据分布在23.00-35.31(mg/dm^3)之间，中位数为34.00，平均数为35.31。
ggplot(aes(x = total.sulfur.dioxide), data = df) +geom_histogram(binwidth = 3)#对总二氧化硫画图

分析：从结果中可以发现，50%的数据分布在108.-138.4(mg/dm^3)之间。

ggplot(aes(x = density), data = df) + geom_histogram(binwidth = 0.0003) + scale_x_continuous(breaks = seq(.98, 1.04, 0.01))#画密度的分布图

分析：从结果中可以看出，密度的分布区间很小，而且密度的大小与酒精的含量由一定的关系。

ggplot(aes(x = pH),data = df) + geom_histogram(binwidth = 0.01) + scale_x_continuous(breaks = seq(2.7, 3.8, 0.1))#画出pH分布图

分析：从结果中可以发现，pH大致是一个正态分布，50%的数据位于3.09-3.28之间。

ggplot(aes(x = sulphates), data = df) +geom_histogram(binwidth = 0.02)#画硫甲酸的分布图

分析：从结果中可以看出，硫酸钾的含量大致是正态分布(略为长尾)。50%的数据位于0.4100-0.5500(g/dm^3)之间。

ggplot(aes(x = quality),data = df) +geom_bar() +scale_x_continuous(breaks = seq(3,9,1))#画质量的分布图

分析：从结果中可以看出，50%的数据分布在5-6之间，因此以此为界，建立一个新的特征，评分，分为好，中，差。

df$rating<-ifelse(df$quality >= 7, ‘good’, ifelse(dfKaTeX parse error: Expected 'EOF', got '#' at position 31: …common','bad'))#̲新建一个分列为rating，其…rating)

画出相关系数矩阵

ggcorr(data = subset(df, select = -c(type,quality.order)),label = TRUE,label_size = 4, label_round = 2, label_alpha = TRUE, hjust = 0.8, size = 3, color = “grey50”)

分析：由图可知密度与含糖量正相关性最强，而密度和酒精度的负相关性最强，符合物理知识。与质量有着相对较强关系的：
质量与酒精度有着正相关关系，相关系数0.44(数值上的与质量有关的最大相关系数)。
质量与密度有着负相关关系，相关系数为-0.31。
质量与总二氧化硫含量有着负相关关系，相关系数为-0.17。
质量与氯化物含量有着负相关关系，相关系数为-0.21。
质量与挥发酸含量有着负相关关系，相关系数为-0.19。
其他变量之间的较强关系：
酒精与密度有着负相关关系，相关系数-0.78。
pH与固定酸之间有着负相关关系，相关系数-0.43。
残余糖分与密度有着正相关关系，相关系数0.84。
酒精与氯化物有着负相关关系，相关系数-0.36.
酒精与总二氧化硫有着负相关关系，相关系数-0.45。

ggplot(aes(x = quality.order, y = alcohol), data = df) + geom_boxplot() +xlab(‘quality’)#画质量与酒精度箱线图

分析：从图中可以看出，3-5的范围内，随着较高评分的酒对应着较低的酒精度。
而从5-9的范围内，较高评分的酒对应着较高的酒精度。

ggplot(aes(x = quality.order, y = alcohol), data = df) + geom_boxplot(alpha = 0.2, aes(fill = rating)) + geom_hline(yintercept = quantile(subset(df,rating ==‘good’)$alcohol, .25), linetype = 2, color = ‘red’) + xlab(‘quality’) + scale_y_continuous(breaks = seq(8, 14, 1))#将箱线图分为好、中、差三个方面涂色

分析：从这副图中可以清楚地看到，很大程度上酒精度的多少决定了酒的质量。不仅仅是因为，酒精度与质量的相关系数为比其他变量与质量的相关系数都要高(0.44)，并且，从图中的红线可以看到，75%以上的质量为好的酒拥有10.7以上的酒精度。与此相对，从箱形图可以看出，质量为差的酒的酒精度大部分都低于这个值。

ggplot(aes(x = quality.order, y = density), data = df) + geom_boxplot() + ylim(0.99,1.001) + xlab(‘quality’)#画质量与密度的箱线图

分析：发现了与酒精度相反的趋势。在3-5的范围内，质量高的酒拥有较高密度。而在5-9的范围内，质量高的酒拥有拥有较低的密度。不过由于酒精度与密度由较强的负相关性，相关系数-0.78。

p1 = ggplot(aes(x = alcohol, y = density), data = df) + geom_point(alpha = 0.1) + xlim(min(df$alcohol),quantile(df$alcohol, 0.95)) + ylim(min(df$density),quantile(df$density, 0.95)) + geom_smooth(method = ‘lm’, color = ‘blue’)
p2 = ggplot(aes(x = residual.sugar, y = density), data = df) + geom_point(alpha = 0.1) + geom_smooth(method = ‘lm’, color = ‘red’) + xlim(min(df$residual.sugar),quantile(df$residual.sugar, 0.95)) + ylim(min(df$density),quantile(df$density, 0.95))
grid.arrange(p1, p2, ncol = 2)#分别画出质量酒精度、质量残余糖的散点图，并画出回归线。

cor(df$alcohol,df$density)

cor(df$residual.sugar,df$density)

分析：从这里可以很明显看出酒精度与残余糖分对于密度的影响。酒精负相关，残余糖分正相关。酒精的负相关在上面已经解释过了。而糖分也很明显，糖溶于水后体积基本不变，而质量则会明显增长。因此正相关。从这里我们可以发现密度几乎就与残余糖分和酒精度有关。这就说明，密度拥有第二高的正相关系数，基本都是因为酒精度的原因。更加强调了，酒精度对于酒的质量的重要性。

多变量绘图

ggplot(aes(x = quality.order, y = alcohol), data = df) + geom_boxplot(aes(color = df$type)) + xlab(‘quality’)#画出酒精，质量，酒的类型，之间的箱线图

分析：从图中可以发现，双变量最后的分析中，干葡萄酒比甜葡萄酒的总体分数要高的原因，看来不在于干，甜本身，并不是专家的口味有偏好，而是因为干葡萄酒中的酒精的整体含量要高于甜葡萄酒。说明不管是干还是甜，都是主要以酒精度的高低来进行酒的质量的判断。而这个原因有可能是因为，残余糖分多的葡萄酒的发酵相对来说不完全(糖分没有完全转化为酒精)，导致的甜葡萄酒普遍酒精度较低。