06. Explorace dat



Harmonogram
▫01. Rekapitulace
▫02. Kategorická data
▫03. Numerická data

Rekapitulace
readr
Obsah obrázku snímek obrazovky Popis vygenerován s velmi vysokou mírou spolehlivosti

Rekapitulace
data.table
Obsah obrázku snímek obrazovky Popis vygenerován s velmi vysokou mírou spolehlivosti

Rekapitulace
styler
Obsah obrázku snímek obrazovky Popis vygenerován s velmi vysokou mírou spolehlivosti

Dataset
Videogames
Obsah obrázku snímek obrazovky Popis vygenerován s velmi vysokou mírou spolehlivosti

Kategorická data
Kontingenční tabulky
# Data
Videogames <- read_csv("Video_Games_Sales_as_at_22_Dec_2016.csv")
Videogames2 <- read.csv("Video_Games_Sales_as_at_22_Dec_2016.csv")
# Skrínink dat
view(dfSummary(Videogames))
# Kontingenční tabulka – absolutní četnosti
table(Videogames$Genre, Videogames$Rating)
# Kontingenční tabulka – hry pro všechny
Videogames_Everyone <- Videogames %>%
  filter(Rating == "E") %>%
  droplevels()

Kategorická data
Sloupcový graf
# Data
Videogames_Everyone_Teen <- Videogames %>%
  filter(Rating %in% c("E", "T"))%>%
  droplevels()
# Balíček
library(ggplot2)
# Sloupcový graf
ggplot(Videogames_Everyone_Teen, aes(x = Genre, fill = Rating)) +
  geom_bar(position = "dodge")
# Sloupcový graf s úpravou popisků
ggplot(Videogames_Everyone_Teen, aes(x = Genre, fill = Rating)) +
  geom_bar(position = "dodge") +
  theme(axis.text.x = element_text(angle = 90))

Kategorická data
Kontingenční tabulky – relativní četnosti
# Tabulka s žánry a hodnocením
GenreRating = table(Videogames_Everyone_Teen$Genre, Videogames_Everyone_Teen$Rating)
# Celkové relativní četnosti
prop.table(GenreRating)
# Relativní četnosti pro řádky
prop.table(GenreRating, 1)
# Relativní četnosti pro sloupce
prop.table(GenreRating, 2)

Kategorická data
Sloupcový graf pro relativní četnosti
# Sloupcový graf žánrů dle ratingu
ggplot(Videogames_Everyone_Teen, aes(x = Genre, fill = Rating)) +
  geom_bar()
# Proporční graf žánrů dle ratingu
ggplot(Videogames_Everyone_Teen, aes(x = Genre, fill = Rating)) +
  geom_bar(position = "fill") +
  ylab("proportion")

Kategorická data
Sloupcový graf pro hodnoty právě jedné proměnné a sloupcový graf s tříděním
# Faktorizace proměnné Rating
Videogames_Everyone_Teen$Rating <- factor(Videogames_Everyone_Teen$Rating,
                       levels = c("E", "T"), labels = c("Everyone", "Teen"))
# Sloupcový graf pro proměnnou Rating
ggplot(Videogames_Everyone_Teen, aes(x = Rating)) +
  geom_bar()
# Sloupcový graf pro proměnnou žánr dle proměnné Rating
ggplot(Videogames_Everyone_Teen, aes(x = Genre)) +
  geom_bar() +
  facet_wrap(~ Rating) +
  theme(axis.text.x = element_text(angle = 90))

Numerická data
Grafické zobrazení
# Histogram s facetami (vrstvami)
ggplot(Videogames_Everyone_Teen, aes(x = Critic_Score)) +
  geom_histogram() +
  facet_wrap(~ Rating)
# Filtrace her dle žánrů: střílečky, strategie a RPG
Shooter_Strategy_RPG <- filter(Videogames, Genre %in% c("Shooter", "Strategy", "Role-Playing"))
# Box plot
ggplot(Shooter_Strategy_RPG, aes(x = as.factor(Genre), y = Critic_Score)) +
  geom_boxplot()
# Density plot s překryvem kategorií
ggplot(Shooter_Strategy_RPG, aes(x = Critic_Score,
                       fill = as.factor(Genre))) +
  geom_density(alpha = .3)

Numerická data
Grafické zobrazení
# Histogram počtu prodaných kusů her (v milionech) v EU
Videogames %>%
  ggplot(aes(x = EU_Sales)) +
  geom_histogram() +
  ggtitle("Počet prodaných kusů her (v milionech) v EU")
# Histogram počtu prodaných kusů her se sportovní tematikou (v milionech) v EU
Videogames %>%
  filter(Genre == "Sports") %>%
  ggplot(aes(x = EU_Sales)) +
  geom_histogram() +
  xlim(c(0, 3)) +
  ggtitle("Počet prodaných kusů sportovních her (v milionech) v EU")

Numerická data
Grafické zobrazení
# Hodnocení her uživateli – šířka sloupce 30
Videogames %>%
  ggplot(aes(User_Score_Numeric)) +
  geom_histogram(binwidth = 30) +
  ggtitle("Hodnocení her uživateli")
# Hodnocení her uživateli – šířka sloupce 3
Videogames %>%
  ggplot(aes(User_Score_Numeric)) +
  geom_histogram(binwidth = 3) +
  ggtitle("Hodnocení her uživateli")
# Hodnocení her uživateli – šířka sloupce 10
Videogames %>%
  ggplot(aes(User_Score_Numeric)) +
  geom_histogram(binwidth = 10) +
  ggtitle("Hodnocení her uživateli")

Numerická data
Grafické zobrazení
# Boxplot počtu hodnotících uživatelů
Videogames %>%
  ggplot(aes(x = 1, y = User_Count)) +
  geom_boxplot()
# Vyřazení odlehlých hodnot
Videogames_no_out <- Videogames %>%
  filter(User_Count < 1000)
# Boxplot počtu hodnotících uživatelů bez odlehlých hodnot
Videogames_no_out %>%
  ggplot(aes(x = 1, y = User_Count)) +
  geom_boxplot()




Numerická data
Sumarizace
# Data Ubisoftu
Ubisoft = filter(Videogames,
  ggplot(aes(x = 1, y = User_Count)) +
  geom_boxplot()
# Průměr a medián prodaných her (v milionech kusů) v Severní Americe Ubisoftu jako vydavatele dle
žánru
Ubisoft %>%
  group_by(Genre) %>%
  summarize(mean(NA_Sales),
            median(NA_Sales))
# Boxplot prodaných her (v milionech kusů) Ubisoftu v Severní Americe jako vydavatele dle žánru
Ubisoft %>%
  ggplot(aes(x = Genre, y = NA_Sales)) +
  geom_boxplot()

Numerická data
Sumarizace
# Density plot pro nezměněné hodnoty
Ubisoft %>%
  ggplot(aes(x = NA_Sales)) +
  geom_density()
# Logaritmická transformace proměnné
Ubisoft <- Ubisoft %>%
  mutate(log_NA_Sales = log(NA_Sales))
# Density plot pro transformované hodnoty
Ubisoft %>%
  ggplot(aes(x = log_NA_Sales)) +
  geom_density()

Numerická data
Identifikace odlehlých hodnot
# Filtr pro akční hry od Ubisoftu, přidání proměnné indikující,  zda jde o odlehlou hodnotu
Ubisoft_Action <- Ubisoft %>%
  filter(Genre == "Action") %>%
  mutate(is_outlier = (NA_Sales < 1))
# Odstranění odlehlých hodnot z analýzy, vypracování boxplotu
Ubisoft_Action %>%
  filter(is_outlier == FALSE) %>%
  ggplot(aes(x = 1, y = NA_Sales)) +
  geom_boxplot()

Zdroje
Data Wrangling with dplyr and tidyr Cheat Sheet –
https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf