group by 会让数据变少怎么办_R数据科学|5.5.2内容介绍及课后习题解答

5.5.2　两个分类变量

要想对两个分类变量间的相关变动进行可视化表示，需要计算出每个变量组合中的观测数量。常用的两种方法有：

• 使用内置的geom_count() 函数：

 ggplot(data = diamonds) +
 geom_count(mapping = aes(x = cut, y = color))

【注】图中每个圆点的大小表示每个变量组合中的观测数量。相关变动就表示为特定 x 轴变量值与特定 y 轴变量值之间的强相关关系。

• 使用dplyr：

diamonds %>%
 count(color, cut)
#> Source: local data frame [35 x 3]
#> Groups: color [?]
#>
#> color cut n
#>   
#> 1 D Fair 163
#> 2 D Good 662
#> 3 D Very Good 1513
#> 4 D Premium 1603
#> 5 D Ideal 2834
#> 6 E Fair 224
#> # ... with 29 more rows

接着使用geom_tile()函数和填充图形属性进行可视化表示：

diamonds %>%
 count(color, cut) %>%
 ggplot(mapping = aes(x = color, y = cut)) +
 geom_tile(mapping = aes(fill = n))

【注】如果分类变量是无序的，那么可以使用seriation包对行和列同时进行重新排序，以便更清楚地表示出有趣的模式。对于更大的图形，你可以使用d3heatmap或heatmaply包，这两个包都可以生成有交互功能的图形。

5.5.2 习题解答

问题一

如何调整count数据，使其能更清楚地表示出切割质量在颜色间的分布，或者颜色在切割质量间的分布？

解答

为了清楚地显示切割质量在颜色内的分布，可以引入一个新的变量prop，即每个切割在颜色内的比例。

diamonds %>%
  count(color, cut) %>%
  group_by(color) %>%
  mutate(prop = n / sum(n)) %>%
  ggplot(mapping = aes(x = color, y = cut)) +
  geom_tile(mapping = aes(fill = prop))

同理可计算颜色在切割质量间的分布：

diamonds %>%
  count(color, cut) %>%
  group_by(cut) %>%
  mutate(prop = n / sum(n)) %>%
  ggplot(mapping = aes(x = color, y = cut)) +
  geom_tile(mapping = aes(fill = prop))

问题二

使用geom_tile()函数结合 dplyr 来探索平均航班延误数量是如何随着目的地和月份的变化而变化的。为什么这张图难以阅读？如何改进？

解答

flights %>%
  group_by(month, dest) %>%
  summarise(dep_delay = mean(dep_delay, na.rm = TRUE)) %>%
  ggplot(aes(x = factor(month), y = dest, fill = dep_delay)) +
  geom_tile() +
  labs(x = "Month", y = "Destination", fill = "Departure Delay")
#> `summarise()` regrouping output by 'month' (override with `.groups` argument)

从上图可以发现存在缺失值，因此可以通过删除缺失值来改进：

flights %>%
  group_by(month, dest) %>%                                 # This gives us (month, dest) pairs
  summarise(dep_delay = mean(dep_delay, na.rm = TRUE)) %>%
  group_by(dest) %>%                                        # group all (month, dest) pairs by dest ..
  filter(n() == 12) %>%                                     # and only select those that have one entry per month 
  ungroup() %>%
  mutate(dest = reorder(dest, dep_delay)) %>%
  ggplot(aes(x = factor(month), y = dest, fill = dep_delay)) +
  geom_tile() +
  labs(x = "Month", y = "Destination", fill = "Departure Delay")
#> `summarise()` regrouping output by 'month' (override with `.groups` argument)

问题三

为什么在以上示例中使用aes(x = color, y = cut)要比aes(x = cut, y = color)更好？

解答

更好的做法是使用带有更多类别的分类变量，或者在y轴上较长的标签。如果可能的话，标签应该是水平的，因为这样更容易阅读。并且，切换顺序不会导致标签重叠。

diamonds %>%
  count(color, cut) %>%
  ggplot(mapping = aes(y = color, x = cut)) +
  geom_tile(mapping = aes(fill = n))

---

往期推荐

R数据科学|5.5.1 内容介绍

R数据科学|5.5.1 习题解答

R数据科学|5.4内容介绍及习题解答

R数据科学|5.3内容介绍

R数据科学|5.3课后习题解答

R数据科学|3.7内容介绍及习题解答

R数据科学|3.6习题解答

R数据科学|3.6内容介绍

R数据科学|3.5内容介绍及习题解答

R数据科学|3.4内容介绍及习题解答

R数据科学|3.3课后习题

R数据科学|3.2.4课后习题