R 探索性分析的可视化(1)

以iris资料集为例，我们做一个简单的探索性的数据分析。目的是是为了看到各个变量的分布，以便于我们后面对于一些不平衡的变量进行处理

首先要对数据集包含的内容有一个大致的了解

# 查看这个数据集包含的变数，以及每个变数的数据形态。也可以用str()来查看形态
head(iris) 
# 查看类别变数中每个种类的数量
table(iris$Species)

然后我们透过不同的图来来进行更全面分析

1. 散点图

# 透过散点图看数据的分布
library(ggplot2)
ggplot(iris,aes(x = Sepal.Length, y = Sepal.Width)) +
  geom_point()

# 将每个种类用颜色区分出来，更直观的看出它的分布情况
# 首先要对点图分组，这通过aes(colour = Species)来实现
library(ggplot2)
ggplot(iris,aes(x = Sepal.Length, y = Sepal.Width,colour=Species)) +
  geom_point()+
  scale_colour_hue()+
  theme(legend.position="top")

2. 箱型图

# 透过箱型图可以看到各个种类的某一个特征的分布情况
ggplot(iris,aes(x = Species, y = Sepal.Length ,colour=Species)) +
  ylim(4,8)+
  geom_boxplot()+
  scale_colour_hue()+
  theme(legend.position="top")

# 通过geom_point函数，向箱线图中添加点，geom_jitter()函数是geom_point(position = "jitter")的包装，binaxis="y"是指沿着y轴进行分箱
ggplot(iris,aes(x = Species, y = Sepal.Length ,colour=Species)) +
  ylim(4,8)+
  geom_boxplot(width = .5)+
  geom_jitter(shape=16, position=position_jitter(.2))+
  scale_colour_hue()+
  theme(legend.position="top")

3. 提琴图

# 提琴图结合了三点图和箱型图的有点，可以更清晰的看出数据分布的特征。
# 数据集中的区域，就会比较胖。数据比较稀疏的区域，就会较瘦
ggplot(iris,aes(x = Species, y = Sepal.Length, fill=Species)) +
  ylim(4,8)+
  geom_violin(width = .6)+  # 可以调整一下width让图看起来舒服一点
  scale_colour_hue()+
  theme(legend.position="top")

4. 密度分布图

# 透过密度函数可以查看出不同种类的密度分布
ggplot(iris,aes(x = Sepal.Length, fill=Species)) +
  geom_density(alpha=.3)+ # 透过alpha来调节透明度
  scale_colour_hue()+
  theme(legend.position="top")

5. 相关矩阵图

# 相关矩阵图可以
library("GGally")
data(iris)
ggscatmat(iris, columns = 1:4,color = 'Species' )

6. 调和曲线图

# 调和曲线 Andrews curve，它使用样本的属性作为Fourier级数的系数，然后绘制
library(MSG)
# 这里就是采用数据集irish中的第五个变量的取值来设置颜色(当然这其实也是分类变量可视化的一种很好的办法)
andrews_curve(iris[, -5], col = as.integer(iris[, 5]))  

# parallelplot也是高维数据可视化的一种方式
library(lattice)
parallelplot(~iris[1:4],col = as.integer(iris[, 5])) 

参考资料: This notebook demos Python data visualizations on the Iris dataset

一个无聊的数据分析公众号，时常有一些脑洞的实例分析。
让我们一起学习，打通各种技能！