Big Data Analytics 简明教程

Big Data Analytics - Charts & Graphs

分析数据的第一个方法是可视化分析数据。这样做通常是为了寻找变量之间的关系和变量的单变量描述。我们可以将这些策略分为 −

  1. Univariate analysis

  2. Multivariate analysis

Univariate Graphical Methods

Univariate 是一个统计术语。在实践中，这意味着我们希望独立于其他数据分析变量。允许有效执行此操作的图表有 −

Box-Plots

箱形图通常用于比较分布。这是一种直观检查分布之间是否存在差异的好方法。我们可以看看不同切工的钻石价格之间是否存在差异。

# We will be using the ggplot2 library for plotting
library(ggplot2)
data("diamonds")

# We will be using the diamonds dataset to analyze distributions of numeric variables
head(diamonds)

#    carat   cut       color  clarity  depth  table   price    x     y     z
# 1  0.23    Ideal       E      SI2    61.5    55     326     3.95  3.98  2.43
# 2  0.21    Premium     E      SI1    59.8    61     326     3.89  3.84  2.31
# 3  0.23    Good        E      VS1    56.9    65     327     4.05  4.07  2.31
# 4  0.29    Premium     I      VS2    62.4    58     334     4.20  4.23  2.63
# 5  0.31    Good        J      SI2    63.3    58     335     4.34  4.35  2.75
# 6  0.24    Very Good   J      VVS2   62.8    57     336     3.94  3.96  2.48

### Box-Plots
p = ggplot(diamonds, aes(x = cut, y = price, fill = cut)) +
   geom_box-plot() +
   theme_bw()
print(p)

在该图片中，我们可以看到不同类别的钻石价格分布有所不同。

box plots

Histograms

source('01_box_plots.R')

# We can plot histograms for each level of the cut factor variable using
facet_grid
p = ggplot(diamonds, aes(x = price, fill = cut)) +
   geom_histogram() +
   facet_grid(cut ~ .) +
   theme_bw()

p
# the previous plot doesn’t allow to visuallize correctly the data because of
the differences in scale
# we can turn this off using the scales argument of facet_grid

p = ggplot(diamonds, aes(x = price, fill = cut)) +
   geom_histogram() +
   facet_grid(cut ~ ., scales = 'free') +
   theme_bw()
p

png('02_histogram_diamonds_cut.png')
print(p)
dev.off()

上述代码的输出如下 -

histogram

Multivariate Graphical Methods

探索性数据分析中的多元图解方法旨在找到不同变量之间关系。实现此目的常用的方法有两种：绘制数字变量的相关性矩阵，或简单地将原始数据绘制成散点图矩阵。

为了演示这一点，我们将使用钻石数据集。要遵循代码，请打开脚本 bda/part2/charts/03_multivariate_analysis.R 。

library(ggplot2)
data(diamonds)

# Correlation matrix plots
keep_vars = c('carat', 'depth', 'price', 'table')
df = diamonds[, keep_vars]
# compute the correlation matrix
M_cor = cor(df)

#          carat       depth      price      table
# carat 1.00000000  0.02822431  0.9215913  0.1816175
# depth 0.02822431  1.00000000 -0.0106474 -0.2957785
# price 0.92159130 -0.01064740  1.0000000  0.1271339
# table 0.18161755 -0.29577852  0.1271339  1.0000000

# plots
heat-map(M_cor)

此代码将产生以下输出——

heat map

这是一份摘要，它告诉我们价格和克拉之间有很强的相关性，而其他变量之间的相关性不大。

当我们拥有大量变量时，相关性矩阵会非常有用，在这种情况下，绘制原始数据是不切实际的。如前所述，也可以显示原始数据 −

library(GGally)
ggpairs(df)

我们可以在绘图中看到，热图中显示的结果得到证实，价格和克拉变量之间的相关性为 0.922。

scatterplot

可以在散点图矩阵的 (3, 1) 索引中找到的价格-克拉散点图中形象化地显示该关系。