ggplot2で身体データの可視化をやる
はじめに
PI Study #6 「Rでデータころがし職人（ハンズオン）」 - PIStudy | Doorkeeper
に参加してきた．
ついでにということで，勉強中にggplotの練習をしていた．
自分のためにもメモを残しておく．
データソース
子どもの身体寸法データベース このcsvから一部抜粋したcsvを使用する
データ読み込み
df <- read.csv("~/Projects/DataAnalytics/RHandsOn/dataCompact/children/lightsource.csv")
head(df)## id date sex age height weight
## 1 1 2005/11/1 1 4.47 1022 20.6
## 2 2 2005/11/1 1 2.11 835 11.8
## 3 3 2005/11/1 2 3.56 958 13.6
## 4 4 2005/11/1 1 2.91 909 12.4
## 5 5 2005/11/1 1 4.25 1044 16.6
## 6 6 2005/11/1 1 3.93 1023 16.2
男女の数の棒グラフを作りたい
meltせずともfactorでなんとかなるらしい
meltは図を並べたいときに使う感じ？
factorは連続値でなく，カテゴリ型として扱うもの
library(ggplot2)
p <- ggplot(df, aes(factor(sex)))
p + geom_bar()
factorをなくすと
p <- ggplot(df, aes(sex))
p + geom_bar()## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
年齢のヒストグラムを作る
p <- ggplot(df, aes(age))
p + geom_histogram()## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
男女別の年齢ヒストグラムを作る
ここでようやくmeltが必要になる?
→ ageとsexを並べて図示したいわけではないのでいらない
library(reshape2)
mdf <- melt(df, id="id", measure=c("sex", "age"))以下でよし
p <- ggplot(df, aes(age, colour=factor(sex), fill=factor(sex))) + geom_histogram()
p + facet_grid(sex ~ .)## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
同じく，身長・体重のヒストグラムを見る
p <- ggplot(df, aes(height, colour=factor(sex), fill=factor(sex))) + geom_histogram()
p + facet_grid(sex ~ .)## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
p <- ggplot(df, aes(weight, colour=factor(sex), fill=factor(sex))) + geom_histogram()
p + facet_grid(sex ~ .)## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.
三歳児の身長が正規分布かどうか知る
三歳児に絞る
↓
検定量を見る
↓
ヒストグラムをプロットする
↓
検定する
df3 <- subset(df, trunc(age) == 3)
summary(df3$height)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 848 932 962 962 992 1070p <- ggplot(df3, aes(height, colour=factor(sex), fill=factor(sex))) + geom_histogram()
p## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.## Warning: position_stack requires constant width: output may be incorrect
shapiro.test(df3$height)##
## Shapiro-Wilk normality test
##
## data: df3$height
## W = 0.9944, p-value = 0.3415p-value = 0.3415であり，p > 0.05なので正規分布でないとは言えないらしい．
紛らわしい言い方だけど統計ではこのように表現するんだって．
ヒストグラムと分布を重ねる
ヒストグラムで再びaesでy軸を頻度で定義するのがミソ
p <- ggplot(df3, aes(height, colour=factor(sex), fill=factor(sex))) + geom_histogram(aes(y= ..density..), fill=NA) + geom_density(fill=NA)
p## stat_bin: binwidth defaulted to range/30. Use 'binwidth = x' to adjust this.## Warning: position_stack requires constant width: output may be incorrect
全データで回帰分析する
df <- read.csv("~/Projects/DataAnalytics/RHandsOn/dataCompact/children/lightsourceclean.csv")
# 単回帰分析
p <- ggplot(df, aes(x=weight, y=height, colour=factor(sex))) + geom_point() + geom_smooth(method = "lm")
plot(p)
# 単回帰分析でなくデフォルト（loess）のスムージング処理
p <- ggplot(df, aes(x=weight, y=height, colour=factor(sex))) + geom_point() + geom_smooth()
plot(p)## geom_smooth: method="auto" and size of largest group is <1000, so using loess. Use 'method = x' to change the smoothing method.
二次元のグラフの回帰分析ならばグラフにプロットできるのでわかりやすいのだけど， 普通は説明変数は複数あるの直感的な理解が難しいと思う． 例えば，ビールの売上（目的変数）を予測するには，説明変数として気温，CM，花火大会，天気 などいろいろあるのでこうなるとグラフ化しての回帰分析は難しい． ただ，やっていることは方程式作っているだけなので二次元でイメージを掴んで，それ以上は脳内で保管するしか無いよね．
