Variabili categoriali
Tabelle di frequenza: table(variabile).
Exploratory Data Analysis Using R – Datazar Blog
Why do we use exploratory graphs in data analysis?
- Understand data properties
- Find patterns in data
- Suggest modeling strategies
- “Debug” analyses
Da psych
The Personality Project's Guide to R
Arabica
arabica <- read.csv("https://raw.githubusercontent.com/jldbc/coffee-quality-database/master/data/arabica_data_cleaned.csv")
dim(arabica)
## [1] 1311 44
# str(arabica)
Estraggo le variabili più interessanti
country <- arabica$Country.of.Origin
names(arabica)
## [1] "X" "Species" "Owner" "Country.of.Origin"
## [5] "Farm.Name" "Lot.Number" "Mill" "ICO.Number"
## [9] "Company" "Altitude" "Region" "Producer"
## [13] "Number.of.Bags" "Bag.Weight" "In.Country.Partner" "Harvest.Year"
## [17] "Grading.Date" "Owner.1" "Variety" "Processing.Method"
## [21] "Aroma" "Flavor" "Aftertaste" "Acidity"
## [25] "Body" "Balance" "Uniformity" "Clean.Cup"
## [29] "Sweetness" "Cupper.Points" "Total.Cup.Points" "Moisture"
## [33] "Category.One.Defects" "Quakers" "Color" "Category.Two.Defects"
## [37] "Expiration" "Certification.Body" "Certification.Address" "Certification.Contact"
## [41] "unit_of_measurement" "altitude_low_meters" "altitude_high_meters" "altitude_mean_meters"
valutazioni <- arabica[21:32]
names(valutazioni)
## [1] "Aroma" "Flavor" "Aftertaste" "Acidity" "Body"
## [6] "Balance" "Uniformity" "Clean.Cup" "Sweetness" "Cupper.Points"
## [11] "Total.Cup.Points" "Moisture"
colore <- arabica$Color
altitudine <- arabica$altitude_mean_meters
caffe <- data.frame(country,valutazioni,colore,altitudine)
dim(caffe)
## [1] 1311 15
# l'ultima riga è sporca
caffe <- caffe[-1311,]
# alcuni dati sull'altitudine sono sbagliati
caffe$altitudine[caffe$altitudine>3000] <- NA
head(caffe)
## country Aroma Flavor Aftertaste Acidity Body Balance Uniformity Clean.Cup Sweetness Cupper.Points
## 1 Ethiopia 8.67 8.83 8.67 8.75 8.50 8.42 10 10 10 8.75
## 2 Ethiopia 8.75 8.67 8.50 8.58 8.42 8.42 10 10 10 8.58
## 3 Guatemala 8.42 8.50 8.42 8.42 8.33 8.42 10 10 10 9.25
## 4 Ethiopia 8.17 8.58 8.42 8.42 8.50 8.25 10 10 10 8.67
## 5 Ethiopia 8.25 8.50 8.25 8.50 8.42 8.33 10 10 10 8.58
## 6 Brazil 8.58 8.42 8.42 8.50 8.25 8.33 10 10 10 8.33
## Total.Cup.Points Moisture colore altitudine
## 1 90.58 0.12 Green 2075
## 2 89.92 0.12 Green 2075
## 3 89.75 0.00 1700
## 4 89.00 0.11 Green 2000
## 5 88.83 0.12 Green 2075
## 6 88.83 0.11 Bluish-Green NA
Che rapporto c'è fra l'altitudine della coltivazione e l'aroma?
lmAltAroma <- lm(caffe$Aroma~caffe$altitudine)
plot(caffe$Aroma~caffe$altitudine)
abline(lmAltAroma)
Il fattore country ha 37 livelli. Molti di questi, però, hanno meno di 10 osservazioni.
sort(table(caffe$country))
##
## Cote d?Ivoire Ecuador India
## 1 1 1 1
## Japan Mauritius Papua New Guinea Rwanda
## 1 1 1 1
## Zambia Burundi Laos Panama
## 1 2 3 4
## United States (Puerto Rico) Philippines Haiti Vietnam
## 4 5 6 7
## Myanmar United States Peru Malawi
## 8 8 10 11
## China Indonesia El Salvador Kenya
## 16 20 21 25
## Nicaragua Uganda Thailand Tanzania, United Republic Of
## 26 26 32 40
## Ethiopia Costa Rica Honduras United States (Hawaii)
## 44 51 52 73
## Taiwan Brazil Guatemala Colombia
## 75 132 181 183
## Mexico
## 236
Selezioniamo le osservazioni dai paesi con almeno 10 osservazioni.
r - Subset data frame based on number of rows per group - Stack Overflow
table_country <- table(caffe$country)
# solo le osservazioni con i paesi con almeno 100 osservazioni
caffe_top_country <- caffe[caffe$country %in% names(table_country[table_country > 100]), ]
# elimino i livelli oramai vuoti
caffe_top_country$country <- factor(caffe_top_country$country)
# pulisco degli outlier sporchi
caffe_top_country <- caffe_top_country[-which(caffe_top_country$Aroma<4),]
# la frequenza per paese
barplot(table(caffe_top_country$country))
boxplot(caffe_top_country$Aroma ~ caffe_top_country$country)
## Warning in min(x): nessun argomento non-mancante al minimo; si restituisce Inf
## Warning in max(x): nessun argomento non-mancante al massimo; si restituisce -Inf
## Error in plot.window(xlim = xlim, ylim = ylim, log = log, yaxs = pars$yaxs): i valori di 'ylim' devono essere finiti
Con la funzione aggregate(v,by,fun) calcoliamo la media della variabile aroma per ognuno dei paesi top.
medie_aroma_top_country <- aggregate(caffe_top_country$Aroma,by=list(caffe_top_country$country), FUN=mean)
## Error in aggregate.data.frame(as.data.frame(x), ...): no rows to aggregate
medie_aroma_top_country
## Error in eval(expr, envir, enclos): oggetto 'medie_aroma_top_country' non trovato
Che rapporto c'è fra le varie valutazioni?
pairs.panels(caffe[2:5],
method = "pearson", # correlation method
density = TRUE # show density plots
)
## Error in pairs.panels(caffe[2:5], method = "pearson", density = TRUE): non trovo la funzione "pairs.panels"
plot(caffe_top_country$Aroma~caffe_top_country$Flavor,
col=caffe_top_country$country,
xlab="Flavor",
ylab="Aroma"
)
## Warning in min(x): nessun argomento non-mancante al minimo; si restituisce Inf
## Warning in max(x): nessun argomento non-mancante al massimo; si restituisce -Inf
## Warning in min(x): nessun argomento non-mancante al minimo; si restituisce Inf
## Warning in max(x): nessun argomento non-mancante al massimo; si restituisce -Inf
## Error in plot.window(...): i valori 'xlim' devono essere finiti
legend('topleft',
legend = levels(caffe_top_country$country),
col=c(1,2,3,4), pch=1)