आर में वास्तविक सारणीबद्ध डेटा का विश्लेषण और दृश्य

सामग्री उन लोगों के लिए उपयोगी होगी जो आर भाषा को सारणीबद्ध डेटा का विश्लेषण करने के लिए एक उपकरण के रूप में सीखते हैं और मुख्य प्रसंस्करण चरणों के कार्यान्वयन का एक क्रॉस-कटिंग उदाहरण देखना चाहते हैं।
निम्नलिखित सीएसवी फ़ाइलों से डेटा लोड करने, डेटा क्लींजिंग तत्वों के साथ टेक्स्ट स्ट्रिंग्स को पार्स करने, विश्लेषणात्मक माप से डेटा एकत्र करने और चार्ट को प्लॉट करने के लिए दिखाता है।
उदाहरण सक्रिय रूप से data.table, reshape2, stringdist, और ggplot2 संकुल की कार्यक्षमता का उपयोग करता है।

मॉस्को में टैक्सी द्वारा यात्रियों और सामान के परिवहन पर गतिविधियों को करने के लिए जारी किए गए परमिट की जानकारी "वास्तविक डेटा" के रूप में ली गई थी। परिवहन विभाग और मास्को के सड़क परिवहन बुनियादी ढांचे के विकास द्वारा सामान्य उपयोग के लिए प्रदान किया गया डेटा। डेटासेट डेटा.mos.ru/datasets/655 पृष्ठ
स्रोत डेटा में निम्न प्रारूप है:

ROWNUM;VEHICLE_NUM;FULL_NAME;BLANK_NUM;VEHICLE_BRAND_MODEL;INN;OGRN 1;"248197";" «-»";"017263";"FORD FOCUS";"7734653292";"1117746207578" 2;"249197";" «-»";"017264";"FORD FOCUS";"7734653292";"1117746207578" 3;"245197";" «-»";"017265";"FORD FOCUS";"7734653292";"1117746207578" ``` 

1. प्राथमिक डेटा डाउनलोड करें

डेटा को सीधे साइट से डाउनलोड किया जा सकता है। लोड करने की प्रक्रिया में, तुरंत एक सुविधाजनक तरीके से कॉलम का नाम बदलें।

 url <- "http://data.mos.ru/datasets/download/655" colnames = c("RowNumber", "RegPlate", "LegalName", "DocNum", "Car", "INN", "OGRN", "Void") rawdata <- read.table(url, header = TRUE, sep = ";", colClasses = c("numeric", rep("character",6), NA), col.names = colnames, strip.white = TRUE, blank.lines.skip = TRUE, stringsAsFactors = FALSE, encoding = "UTF-8") 

अब आप विश्लेषण और कल्पना करना शुरू कर सकते हैं ...

2. डेटा रूपांतरण

मान लीजिए कि लाइसेंसधारी के संगठनात्मक रूप और कार के निर्माण के आधार पर, टैक्सियों के रूप में पंजीकृत कारों की संख्या के वितरण का विश्लेषण करना आवश्यक है। संबंधित डेटा को अलग से हाइलाइट नहीं किया गया है, लेकिन सभी आवश्यक जानकारी FULL_NAME (बदला हुआ वैधानिक नाम) और VEHICLE_BRAND_MODEL (कार) में समाहित है।
स्रोत डेटा को परिवर्तित करने की प्रक्रिया में आवश्यक है

• LegalName फ़ील्ड से, एक अलग OrgType फ़ील्ड में कानूनी रूप का चयन करें;
• कार के क्षेत्र से, एक अलग CarBrand क्षेत्र में मशीन का चयन करें;
• अप्रयुक्त खेतों को छोड़ दें।

सादगी के लिए, हम मानते हैं कि लीगलनेम और कार क्षेत्रों के पहले शब्द क्रमशः, कानूनी रूप और मशीन के रूप हैं (यह अपवादों के साथ क्या करना है, यह नीचे स्पष्ट होगा)। पोर्टेबल फ़ील्ड्स की स्पष्ट सूची के साथ data.table के रूपांतरण के दौरान अनावश्यक फ़ील्ड स्वचालित रूप से छोड़ दी जाएंगी।

 ptn <- "^(.+?) (.+)$" # regexp pattern to match first word dt <- data.table(rawdata)[, list(RegPlate, LegalName, Car, OGRN, OrgType = gsub(ptn, "\\1" , toupper( LegalName )), CarBrand = gsub(ptn, "\\1", toupper( Car ))) ] rm(rawdata) # Clear some memory 

3. पहले परिणाम

जाँचें कि कौन से संगठनात्मक रूप डेटा से निकाले गए हैं।

 sort( table(dt$OrgType) ) 

 ##      ## 1 392 649 17118 17680 

डेटा काफी सही तरीके से उत्पन्न होते हैं: व्यक्तिगत उद्यमी प्राप्त लाइसेंस की संख्या (टैक्स में कमी?) में अग्रणी होते हैं, सीमित देयता वाली कंपनियां होती हैं, संयुक्त स्टॉक कंपनियों को खोलना और बंद करना, और यहां तक ​​कि एक गैर-लाभकारी साझेदारी भी।
यह निर्धारित करने के लिए कि कानूनी रूप के आधार पर, कितने स्वतंत्र लाइसेंसधारियों (और कारों को) ने लाइसेंस प्राप्त किया है, यह आवश्यक है कि उस क्षेत्र को संक्षेप में प्रस्तुत किया जाए जो कानूनी इकाई (PSRN) की विशेषता है।

 dt[, list( N = length( unique(OGRN) ) ), by = OrgType][order(N, decreasing = TRUE)] 

 ## OrgType N ## 1:  12352 ## 2:  563 ## 3:  14 ## 4:  6 ## 5:  1 

डेटा की सफाई

मास्को में टैक्सियों के रूप में कारों के किस ब्रांड का उपयोग किया जाता है?
डेटा सेट में बहुत सारे कार ब्रांड शामिल हैं: 115, लेकिन क्या वे वास्तव में सभी अद्वितीय हैं? एक उदाहरण के लिए हम "M" अक्षर से शुरू होने वाले सभी अंकों को प्रदर्शित करेंगे।

 sort( unique( dt[grep("^M.*", CarBrand), CarBrand])) 

 ## [1] "M214" "MASERATI" "MAZDA" ## [4] "MAZDA-" "MERCEDES" "MERCEDES-BENZ" ## [7] "MERCEDES-BENZ-" "MERCEDES-BENZ-S500" "MERCEDES-BENZC" ## [10] "MERCEDES-BENZE200K" "MERCEDES-BENZE220CDI" "MERCEDES-BNZ" ## [13] "MERCERDES-BENZ" "MERCRDES" "MERCRDES-BENZ" ## [16] "MERSEDES-" "MERSEDES-BENZ" "METROCAB" ## [19] "MG" "MINI" "MITSUBISHI" 

दुर्भाग्य से, बड़ी संख्या में कार ब्रांड डेटा त्रुटियों के कारण बड़े पैमाने पर हैं। उदाहरण के लिए, एक ही ब्रांड - मर्सिडीज-बेंज - विभिन्न नामों के तहत पाया जाता है। विश्लेषण से पहले, डेटा को साफ़ करना होगा।
पाठ्य सूचना को साफ़ करने का प्रोग्रामेटिक आधार खोज फ़ंक्शन "लाइन स्पेसिंग" है। प्रत्येक जोड़ी लाइनों के लिए, वे एक मीट्रिक को वर्णों पर परिचालनों का उपयोग करके एक पंक्ति को दूसरी पंक्ति में परिवर्तित करने की जटिलता की गणना करते हैं। लाइनों के समान, कम संचालन की आवश्यकता होती है। आदर्श रूप से, समान पंक्तियों में शून्य की दूरी होनी चाहिए, और सबसे भिन्न लाइनों में एक की दूरी होनी चाहिए। यह ठीक उसी तरह है जैसे समान नाम के पैकेज के स्ट्रैंडिस्ट फ़ंक्शन के जारो-विंकलर एल्गोरिदम काम करता है।
कुछ पंक्तियों की तुलना करें, लेकिन चलो दूरी नहीं, बल्कि समानता, 1-स्ट्रेंथिस्ट की गणना करें।

 1 - stringdist( c("MERCEDES","MERSEDES","MAZDA","RENAULT","SAAB"), "MERCEDES", method = "jw", p = 0.1) 

 ## [1] 1.0000 0.9417 0.5950 0.3452 0.0000 

पहली नज़र में, डेटा सफाई कार्य केवल हल किया जाता है: प्रत्येक रिकॉर्ड के लिए, यह निर्देशिका से सबसे समान मूल्य का चयन करने के लिए पर्याप्त है। दुर्भाग्य से, यह दृष्टिकोण हमेशा काम नहीं करता है। सबसे पहले, निर्देशिका नहीं हो सकती (जैसा कि वर्तमान मामले में है)। दूसरे, कुछ स्थितियों को एक सटीक संदर्भ के साथ भी मैनुअल डेटा सुधार की आवश्यकता होती है। उदाहरण के लिए, विधि के दृष्टिकोण से, तीन ब्रांड समान रूप से उपयुक्त हैं, जो कि गलत मान "BAZ" के विकल्प के रूप में उपयुक्त हैं:

 1 - stringdist("BAZ", c("VAZ", "UAZ", "ZAZ"), method = "jw", p = 0.1) 

 ## [1] 0.7778 0.7778 0.7778 

अर्ध-स्वचालित सुधार विधि का उपयोग नीचे किया जाता है, जो प्रोग्रामेटिक रूप से सुधार विकल्प उत्पन्न करके डेटा क्लींजिंग विशेषज्ञ के काम को आसान बनाता है जिसके साथ विश्लेषक या तो सहमत हो सकते हैं या मैन्युअल रूप से सही हो सकते हैं।
यह माना जाता है कि बड़ी संख्या में त्रुटियों के साथ बड़ी मात्रा में डेटा, अक्सर सामना किए गए मान सही होते हैं, और शायद ही कभी सामना की गई त्रुटियां होती हैं। फ़्रीक्वेंसी वैल्यू को वज़निंग फैक्टर के रूप में उपयोग किया जाता है, आनुपातिक रूप से पंक्ति निकटता मीट्रिक में वृद्धि। यह सुनिश्चित करने के लिए कि अक्सर सामना किए गए कार ब्रांड, मात्रा के कारण आगे नहीं आते हैं, समानता के बजाय, थ्रेशोल्ड वैल्यू t ऊपर समानता की डिग्री वाले मूल्यों के मैट्रिक्स को ध्यान में रखा जाता है (बाद में t चुनने के बारे में)। मशीन के ब्रांड के प्रत्येक संभावित मूल्य के लिए, इस प्रकार, अनुशंसित "संदर्भ" मूल्य उसी डेटा सेट से निर्धारित होता है। "ब्रांड - प्रस्तावित फिक्स" जोड़े सीएसवी फ़ाइल के लिए आउटपुट हैं। विश्लेषण और सुधार के बाद, सही सीएसवी फ़ाइल डाउनलोड की जाती है और एक शब्दकोश के रूप में कार्य करती है।
हम एक फ़ंक्शन का निर्माण करके शुरू करते हैं जो मौजूदा डेटासेट पर सबसे अच्छा फिट देता है।

 bestmatch.gen <- function(wc, t = 0){ # wc = counts of all base text words # t = threshold: only the words with similarity above threshold count bestmatch <- function(a){ sim <- 1 - stringdist( toupper(a), toupper( names(wc) ) , method = "jw", p = 0.1 ) # Compute weights and implicitly cut off everything below threshold weights <- sim * wc * (sim > t) # Return the one with maximum combined weight names( sort(weights, decr = TRUE)[1] ) } bestmatch } 

t की दहलीज मूल्य अनुभवजन्य रूप t चुनी जाती है। यहाँ एक उदाहरण है कि थ्रेशोल्ड पैरामीटर t = 0.7 के लिए फ़ंक्शन कैसे काम करता है।

  bm07 <- bestmatch.gen( table( dt$CarBrand), t = 0.7 ) s <- c("FORD","RENO","MERS","PEGO") sapply(s, bm07) 

 ## FORD RENO MERS PEGO ## "FORD" "RENAULT" "MERCEDES-BENZ" "PEUGEOT" 

पहली नज़र में, सब कुछ आश्चर्यजनक रूप से काम करता था। हालाँकि, यह बहुत खुशी की बात है। समान नाम वाले अच्छी तरह से प्रतिनिधित्व वाले कार ब्रांड जो डेटासेट में अच्छी तरह से दर्शाए गए हैं, अन्य सही नामों को "खींच सकते हैं"।

 s <- c("HONDA", "CHRYSLER", "VOLVO") sapply(s, bm07) 

 ## HONDA CHRYSLER VOLVO ## "HYUNDAI" "CHEVROLET" "VOLKSWAGEN" 

आइए दहलीज मान को बढ़ाने की कोशिश करें।

 bm09 <- bestmatch.gen( table( dt$CarBrand), t = 0.9 ) s <- c("HONDA","CHRYSLER","VOLVO") sapply(s, bm09) 

 ## HONDA CHRYSLER VOLVO ## "HONDA" "CHRYSLER" "VOLVO" 

क्या सब ठीक है? लगभग। डिसिमिलर लाइनों की बहुत कड़ी कतरन इस तथ्य की ओर ले जाती है कि एल्गोरिथ्म कुछ गलत मूल्यों को सही मानता है। ऐसी त्रुटियों को मैन्युअल रूप से ठीक करना होगा।

 s <- c("CEAT", "CVEVROLET") sapply(s, bm09) 

 ## CEAT CVEVROLET ## "CEAT" "CVEVROLET" 

अब मशीनों के ब्रांडों के लिए अद्वितीय मूल्यों की एक शब्दकोश फ़ाइल बनाने के लिए सब कुछ तैयार है। चूंकि फ़ाइल को हाथ से संपादित करने की आवश्यकता होगी, इसलिए यह सुविधाजनक है यदि इसमें अतिरिक्त फ़ील्ड हैं, जिसमें दिखाया गया है कि प्रस्तावित प्रतिस्थापन मूल मूल्य (यह हमेशा स्पष्ट नहीं है) से अलग है, कितनी बार ब्रांड नाम प्रकट होता है, साथ ही एक लेबल जो रिकॉर्ड के आधार पर ध्यान आकर्षित करता है। सेट की कुछ सांख्यिकीय विशेषताएं। इस मामले में, हम उन स्थितियों को पकड़ना चाहते हैं जिनमें एल्गोरिथ्म दुर्लभ (माना जाता है कि गलत) मूल्यों को सही मानता है।

 ncb <- table(dt$CarBrand) scb <- names(ncb) # Source Car Brands acb <- sapply(scb, bm09) # Auto-generated replacement cbdict_out <- data.table(ncb)[,list( SourceName = scb, AutoName = acb, SourceFreq = as.numeric(ncb), AutoFreq = as.numeric( ncb[acb] ), Action = ordered( scb == acb, labels = c("CHANGE","KEEP")), DictName = acb )] # Add alert flag # Alert when suggested is a low-frequency dictionary word cbdict_out <- cbdict_out[, Alert := ordered( AutoFreq <= quantile(AutoFreq, probs = 0.05, na.rm = TRUE), labels = c("GOOD","ALERT")) ] write.table( cbdict_out[ order(SourceName), list( Alert, Action, SourceName, AutoName, SourceFreq, AutoFreq, DictName) ], "cbdict_out.txt", sep = ";", quote = TRUE, col.names = TRUE, row.name = FALSE, fileEncoding = "UTF-8") 

DictName फ़ील्ड के मानों को जाँचना और संपादित करना आवश्यक है और बाद में डाउनलोड के लिए "cbdict_in.txt" नाम से फ़ाइल को सहेजें।
विश्लेषण किए गए डेटा सेट में ऐसी विशेषताएं हैं जो निम्नलिखित पर ध्यान देने योग्य हैं:

• कुछ पंक्तियों में कार का ब्रांड नहीं है - खाली या "NO", और कुछ मॉडल विशिष्ट रूप से पहचानना मुश्किल है: L1H1, M214; मैन्युअल रूप से UNKNOWN या एक समान छद्म मूल्य में परिवर्तन;
• दो वर्तनी समान रूप से लागू की जाती हैं: मर्सिडीज और मर्सिडीज-बेंज, हम एक को छोड़ देते हैं, मर्सिडीज-बेंज;
• ZAZ के दो समान रूप से समान स्वतंत्र वर्तनी हैं (आउटपुट में दो लाइनें हैं, और दोनों एल्गोरिदम सही, क्रिया = KEEP के रूप में बचत करने का सुझाव देते हैं); जाहिर है, एक और UTF-8 कोड के साथ एक पत्र कहीं;
• कुछ मशीन नामों में एक ब्रांड नहीं है, और केवल एक मॉडल: SAMAND (IRAN KHODRO)
• ब्रांडों के साथ भ्रम TAGAZ - VORTEX और JAC; यह प्रस्तावित करने के लिए सरलता के लिए प्रस्तावित है (यद्यपि बहुत सही ढंग से नहीं) सामान्य नाम TAGAZ उन कारों के लिए जिनके ब्रांडों को TAGAZ, A21, SUV, SUVT11, VORTEX, JAC के रूप में पहचाना जाता है।

डेटा की सुविधाओं के अलावा, एल्गोरिथ्म सीमाएं हैं जिन्हें मैन्युअल रूप से समायोजित करने की आवश्यकता है।

• एल्गोरिथ्म कुछ गलत नामों को वैध विकल्पों के रूप में पेश करता है: सीईएटी, सीवीईवीओएलईटी;
• दो-शब्द टिकट एक के लिए कम हो गए हैं: ALFA (ALFA ROMEO), GREAT (GREAT WALL), IRAN (IRAN KHODRO), LAND (LAND ROVER)।

हम cbdict_in.txt फ़ाइल से संपादित डेटा लोड करते हैं।

 if ( file.exists("cbdict_in.txt")) url <- "cbdict_in.txt" else url <- "cbdict_out.txt" cbdict_in <- read.table( url, header = TRUE, sep = ";", colClasses = c( rep("character",4), "numeric", "numeric", "character"), encoding = "UTF-8") cbdict <- cbdict_in$DictName names(cbdict) <- cbdict_in$SourceName 

और हम डेटा तालिका में कारों के ब्रांडों के मूल्यों को सही करते हैं।

 dt[, CarBrand := cbdict[CarBrand]] dt[is.na(CarBrand), CarBrand := "UNKNOWN"] 

कारों के ब्रांडों के अद्वितीय मूल्यों को साफ करने के बाद, यह लगभग आधा हो गया

 length( unique(dt$CarBrand) ) 

 ## [1] 72 

विश्लेषणात्मक सवालों के जवाब

1. शीर्ष 10 संगठन

10 सबसे बड़े टैक्सी पार्कों को परिभाषित करें। इस मामले में, एक आयाम - पीएसआरएन के लिए रेटिंग बनाना आवश्यक है।

 st <- dt[, list( NumCars = length(RegPlate)), by = list(OGRN, LegalName) ] head( st[order( NumCars, decreasing = TRUE)], 10) 

 ## OGRN LegalName NumCars ## 1: 1137746197104  «» 866 ## 2: 1037727000893  «-» 751 ## 3: 1067746273198  « » 547 ## 4: 1037789018849  «» 541 ## 5: 1127746010700  «-24 » 406 ## 6: 1057748223653  «» 349 ## 7: 5067746596297  «» 288 ## 8: 1027739272175  «14 » 267 ## 9: 1137746133250  « » 255 ## 10: 5077746757688  «» 238 

दुर्भाग्य से, इस डेटासेट में, केवल लाइसेंसधारियों के बारे में कानूनी जानकारी संग्रहीत की जाती है, ट्रेडमार्क नहीं। इंटरनेट पर संगठन और OGRN के नाम से यह पता लगाना संभव है कि टैक्सी बेड़े किस ब्रांड के अंतर्गत आता है, लेकिन यह प्रक्रिया स्वचालित नहीं है, बल्कि समय लेने वाली है। सबसे बड़े टैक्सी बेड़े के लिए खोज परिणाम " top10orgs.csv " फ़ाइल में एकत्र किए जाते हैं।

 top10orgs <- data.table( read.table( "top10orgs.csv", header = TRUE, sep = ";", colClasses = "character", encoding = "UTF-8")) 

हम दो तालिकाओं के जॉइन ऑपरेशन को करने के लिए data.table की अंतर्निहित क्षमताओं का उपयोग करेंगे।

 setkey(top10orgs,OGRN) setkey(st,OGRN) st[top10orgs][order(NumCars, decreasing = TRUE), list(OrgBrand, EasyPhone, NumCars)] 

 ## OrgBrand EasyPhone NumCars ## 1:  781 81 82 866 ## 2: 956 956 8 956 751 ## 3: - 641 11 11 547 ## 4:   500 0 500 541 ## 5: 24 777 66 24 406 ## 6:   777 5 777 349 ## 7:    940 88 88 288 ## 8: 14  707 2 707 267 ## 9: Cabby 21 21 989 255 ## 10:  927 11 11 238 

2. कानूनी इकाई के रूप के आधार पर तीन सबसे लोकप्रिय कार ब्रांड

लाइसेंसी के कानूनी रूप के आधार पर कारों के कौन से ब्रांड सबसे लोकप्रिय हैं? इस प्रश्न का उत्तर देने के लिए, डेटा को दो आयामों में संयोजित करना आवश्यक है - मशीन का निर्माण और संगठनात्मक रूप।
प्रक्रिया तीन चरणों में होती है:

1. कुल संकेतक की गणना (इस मामले में, PSRN के अनुसार कारों की संख्या)।
2. रैंक गणना।
3. रैंक प्रतिबंध (शीर्ष 3), छँटाई, स्तंभ पुनर्वितरण और डेटा आउटपुट।

 st <- dt[, list(AGGR = length(RegPlate)), by = list(OrgType, CarBrand) ] st.r <- st[, list(CarBrand, AGGR, r = ( 1 + length(AGGR) - rank(AGGR, ties.method="first"))), by = list(OrgType)] # ranking by one dimension st.out <- st.r[ r <= 3 ][, list(r, OrgType, cval = paste0(CarBrand," (",AGGR,")"))] dcast(st.out, r ~ OrgType, value.var = "cval")[-1] # reshape data and hide r 

 ##      ## 1 FORD (212) CHEVROLET (2465) VOLVO (1) KIA (192) FORD (3297) ## 2 RENAULT (175) FORD (2238) <NA> CHEVROLET (115) RENAULT (2922) ## 3 HYUNDAI (122) RENAULT (1996) <NA> FORD (53) HYUNDAI (2812) 

दृश्य

1. पाई चार्ट डेटा डिस्प्ले

पाई चार्ट, पाई चार्ट, व्यापार के माहौल में बहुत लोकप्रिय है, लेकिन डेटा विश्लेषण पेशेवरों द्वारा इसकी आलोचना की जाती है। फिर भी, यह "पकाना" करने में सक्षम होना चाहिए।
मान लीजिए कि आप कार द्वारा टैक्सी लाइसेंस की संख्या का वितरण प्रदर्शित करना चाहते हैं। आरेख को ओवरलोड नहीं करने के लिए, हम कम से कम 1000 लाइसेंस वाले ब्रांड दिखाएंगे।

 st <- dt[, list(N = length(RegPlate)), by = CarBrand ] # Summary table st <- st[, CarBrand := reorder(CarBrand, N) ] piedata <- rbind( st[ N >= 1000 ][ order(N, decreasing=T) ], data.table( CarBrand = " ", N = sum( st[N < 1000]$N) ) ) piedata 

 ## CarBrand N ## 1: FORD 5800 ## 2: RENAULT 5093 ## 3: HYUNDAI 4727 ## 4: CHEVROLET 4660 ## 5: KIA 2220 ## 6: SKODA 2073 ## 7: NISSAN 1321 ## 8: VOLKSWAGEN 1298 ## 9: TOYOTA 1075 ## 10: MERCEDES-BENZ 1039 ## 11:   6534 

शेड्यूल बनाने के लिए, मैं टिकटों के ऐसे क्रम को ठीक करना चाहूंगा। यदि ऐसा नहीं किया जाता है, तो स्वचालित छंटाई अंतिम स्थान से "अन्य ब्रांडों" को पहले स्थान पर लाएगी।

 piedata <- piedata[, CarBrand := factor(CarBrand, levels = CarBrand, ordered = TRUE)] 

चार्ट बनाने के लिए, ggplot2 का उपयोग करें।

 pie <- ggplot(piedata, aes( x = "", y = N, fill = CarBrand)) + geom_bar(stat = "identity") + coord_polar(theta = "y") pie 

निष्कर्ष पहले से ही काफी जानकारीपूर्ण है। हालाँकि, मैं कई दृश्य सुधार करना चाहूंगा:

• ग्रे पृष्ठभूमि, सीमाओं, रोटरी अक्ष, लेबल और निशान को हटा दें;
• एक अलग रंग का पैमाना चुनें और प्रत्येक "केक का टुकड़ा" को सर्कल करें;
• प्रत्येक क्षेत्र के बगल में ब्रांड के अनुरूप लाइसेंस की संख्या को चिपकाएं;
• कथा को पाठ नाम दें।

नीचे दिया गया कोड आपको उपरोक्त सभी करने की अनुमति देता है। क्षेत्रों के बगल में लेबल प्रदर्शित करने के लिए, मुझे सेक्टर के केंद्र के बिंदु की गणना के साथ एक क्षेत्र जोड़ना होगा ( आर्टेलस्टैटिस्टिकोवोव पर जासूसी)।

 piedata <- piedata[, pos := cumsum(N) - 0.5*N ] pie <- ggplot(piedata, aes( x = "", y = N, fill = CarBrand)) + geom_bar( color = "black", stat = "identity", width = 0.5) + geom_text( aes(label = N, y = pos), x = 1.4, color = "black", size = 5) + scale_fill_brewer(palette = "Paired", name = " ") + coord_polar(theta = "y") + theme_bw() + theme ( panel.border = element_blank() , panel.grid.major = element_blank() , axis.ticks = element_blank() , axis.title.x = element_blank() , axis.title.y = element_blank() , axis.text.x = element_blank() , legend.title = element_text(face="plain", size=16) ) pie 

2. बार चार्ट

सर्कल के लिए अधिक जानकारीपूर्ण विकल्प एक बार चार्ट, बार चार्ट है। इस तथ्य के अलावा कि कॉलम की लंबाई की तुलना में आर्क्स की लंबाई या सर्कल सेक्टरों के क्षेत्र की तुलना में अधिक सुविधाजनक है, बार चार्ट अतिरिक्त रूप से प्रदर्शित कर सकता है, उदाहरण के लिए, संगठनात्मक रूपों द्वारा लाइसेंस की संख्या का वितरण।

 st <- dt[, list(N = length(RegPlate)), by = list(OrgType, CarBrand) ] # Summary table cbsort <- st[, list( S = sum(N) ), keyby = CarBrand ] # Order by total number setkey(st, CarBrand) st <- st[cbsort] # Join topcb <- st[ S >= 1000 ][ order(S) ] bottomcb <- st[S < 1000, list(CarBrand = " ", OrgType, N = sum(N)), by = OrgType] bottomcb <- bottomcb[, list(CarBrand, OrgType, N, S = sum(N))] bardata <- rbind( bottomcb, topcb) bardata <- bardata[, CarBrand := factor(CarBrand, levels = unique(CarBrand), ordered=T)] # bar <- ggplot(bardata, aes(x = CarBrand, weight = N, fill = OrgType)) + geom_bar() + coord_flip() + scale_fill_brewer(palette = "Spectral", name = "") + labs(list(y = " ", x = " ")) + theme_bw() bar 

3. हीट मैप आरेख

मान लीजिए कि आप इस सवाल का जवाब पाना चाहते हैं: "किस कार ब्रांड के मालिकों (टैक्सी ड्राइवरों के बीच) को" सुंदर "संख्याओं का सबसे अधिक खतरा है?" इस मामले में, हम त्रिभुज में समान संख्याओं के साथ सुंदर संख्या मानते हैं: 111, 222, आदि।
विश्लेषण दो विश्लेषणात्मक आयामों में किया जाता है - कार का ब्रांड और तीन। संकेतक - ब्रांड और ट्रिपल के दिए गए संयोजन के साथ कारों की संख्या। इस तरह के डेटा सेट की कल्पना करने के लिए, टेबल का एक दृश्य एनालॉग, हीट मैप आरेख, अच्छी तरह से अनुकूल है। अधिक लोकप्रिय ट्रिपल, अधिक गहन रंग सेल के मूल्य को एन्कोड करता है।

 ln <- dt[grep( "^[^0-9]([0-9])\\1{2}.+$" , RegPlate), list(CarBrand, LuckyNum = gsub("^[^0-9]([0-9]{3}).+$","\\1", RegPlate))] ln <- ln[, list( N = .N), by = list(CarBrand, LuckyNum) ] ln <- ln[, Luck := sum(N), by = list(CarBrand) ] # Total number of lucky regplates per car brand ln <- ln[, CarBrand := reorder(CarBrand, Luck) ] # heatmap <- ggplot(ln, aes(x = CarBrand, y = LuckyNum)) + geom_tile( aes(fill = as.character(N)), color = "black") + scale_fill_brewer(palette = "YlOrRd", name = " «» :") + labs(list(x = " ", y = " ")) + theme_bw() + theme ( panel.grid.major = element_blank() , axis.text.x = element_text(angle = 45, hjust = 1) , axis.title.y = element_text(vjust = 0.3) , legend.position = "top" , legend.title.align = 1 ) heatmap 

सभी चित्र वैज्ञानिक रूप से आधारित रंग पट्टिका 2.0 परियोजना से रंग पट्टियों का उपयोग करते हैं।