1. 다변량 데이터의 시각화
- 데이터 분석에서 시각화는 매우 중요하며, 빅데이터 시대를 맞아 그 중요성은 날로 커지고 있다.
- 시각화는 데이터 자체와 복잡한 통계분석 결과에 대한 이해를 도와준다.
- R에서는 데이터 시각화를 위한 다양한 패키지와 함수들을 가지고 있어서 다변량 데이터의 그래프적 표현을 위한 효율적인 툴을 제공한다.
1-1. 다변량 데이터 예제
- 다변량 데이터 시각화를 위해 사용되는 예제 데이터는 다음과 같다.
- R에 기본적으로 내장되어 있는 데이터 “iris”
- 데이터 “iris”는 Roland Fisher가 수집한 데이터로 150개의 붓꽃에 대한
정보를 담고 있다.
- 데이터 “iris”는 Roland Fisher가 수집한 데이터로 150개의 붓꽃에 대한
정보를 담고 있다.
- Package
ggplot2에 내장되어 있는 데이터 “mpg”- 데이터 “mpg”는 미국환경 보호국(US Environmental Protection
Agency)에서 공개한 데이터로 1999~2008년 사이에 미국에서 출시된 자동차
234종의 연비 관련 정보를 담고 있다.
- 데이터 “mpg”는 미국환경 보호국(US Environmental Protection
Agency)에서 공개한 데이터로 1999~2008년 사이에 미국에서 출시된 자동차
234종의 연비 관련 정보를 담고 있다.
- R에 기본적으로 내장되어 있는 데이터 “iris”
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa# mpg 데이터head(mpg)
# A tibble: 6 x 11
manufacturer model displ year cyl trans drv cty hwy fl
<chr> <chr> <dbl> <int> <int> <chr> <chr> <int> <int> <chr>
1 audi a4 1.8 1999 4 auto(l~ f 18 29 p
2 audi a4 1.8 1999 4 manual~ f 21 29 p
3 audi a4 2 2008 4 manual~ f 20 31 p
4 audi a4 2 2008 4 auto(a~ f 21 30 p
5 audi a4 2.8 1999 6 auto(l~ f 16 26 p
6 audi a4 2.8 1999 6 manual~ f 18 26 p
# ... with 1 more variable: class <chr>2. 산점도
- 산점도는 변수들 간의 상관성 등의 관계성을 시각적으로 파악하는 데 유용하다.
2-1. 2차원 산점도
- 두 변수를 각각 X축과 Y축으로 하여 관찰값을 XY 평면상의 점으로 나타내는 그래프를 2차원 산점도라고 한다.
2-1-1. 함수 plot()
- R에 기본적으로 내장되어 있는 함수
plot()을 이용하여 두 변수의 산점도를 작성할 수 있다.
# iris 데이터## 함수 plot()plot(iris$Sepal.Length, # x축 iris$Sepal.Width, # y축 xlab = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 main = "iris 데이터의 2차원 산점도")# # 제목NA
Caution! 함수 plot()의 댜양한 옵션을 통해
그래프를 수정할 수 있으며, 자세한 옵션은 여기를
참고한다.
# iris 데이터## 함수 plot()plot(iris$Sepal.Length, # x축 iris$Sepal.Width, # y축 xlab = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 main = "iris 데이터의 2차원 산점도" # # 제목NA= 3, # 점의 모양 cex = 3, # 점의 크기 col = "red") # 점의 색깔
# mpg 데이터##함수 plot()plot(mpg$displ, # x축 mpg$cty, # y축 xlab = "배기량"", # x축 라벨벨
ylab = "도시 연비"비", # y축 라벨라벨
main = "mpg 데이터의 2차원 산점도") # # 제목NA
# mpg 데이터## 함수 plot()plot(mpg$displ, # x축 mpg$cty, # y축 xlab = "배기량"", # x축 라벨벨
ylab = "도시 연비"비", # y축 라벨라벨
main = "mpg 데이터의 2차원 산점도" # # 제목NA= 5, # 점의 모양 cex = 3, # 점의 크기 col = "blue") # 점의 색깔
2-1-2. 함수 geom_point()
- Package
ggplot2에 내장되어 있는 함수geom_point()를 통해 두 변수의 산점도를 작성할 수 있다.
# iris 데이터## 함수 geom_point()ggplot(iris, aes(x = Sepal.Length, # x축 y = Sepal.Width)) + # y축 geom_point() +
labs(x = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 title = "iris 데이터의 2차원 산점도") # 제목NA
Caution! Package ggplot2의 댜양한 옵션을
통해 그래프를 수정할 수 있다.
# iris 데이터## 함수 geom_point()ggplot(iris, aes(x = Sepal.Length, # x축 y = Sepal.Width)) + # y축 geom_point(shape = 3, # 점의 모양 size = 3, # 점의 크기 color = "red") + # 점의 색깔 labs(x = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 title = "iris 데이터의 2차원 산점도") + # 제목NAtheme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
# mpg 데이터## 함수 geom_point()ggplot(mpg, aes(x = displ, # x축 y = cty)) + # y축 geom_point() +
labs(x = "배기량"", # x축 라벨벨
y = "도시 연비"비", # y축 라벨라벨
title = "mpg 데이터의 2차원 산점도") # # 제목NA
# mpg 데이터## 함수 geom_point()ggplot(mpg, aes(x = displ, # x축 y = cty)) + # y축 geom_point(shape = 5, # 점의 모양 size = 3, # 점의 크기 color = "blue") + # 점의 색깔 labs(x = "배기량"", # x축 라벨벨
y = "도시 연비"비", # y축 라벨라벨
title = "mpg 데이터의 2차원 산점도") + # 제목NAtheme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
2-1-3. 함수 matplot()
- 함수
matplot()은 행렬 데이터의 열(변수)의 데이터 값들을 동시에 하나의 그래프에 나타낸다. - 그래서, 측정 단위가 동일한 변수들 간의 비교에 유용하다.
- 함수
matplot()에 대한 자세한 옵션은 여기를 참고한다.
# iris 데이터matplot(iris[,1:4],
pch = 1:4, # 점의 모양 col = c("red", "blue", "green", "orange"), # 점의 색깔 main = "iris 데이터의 산점도" ## 제목 xlab = "개체"", # x축 라벨벨
ylab = "") # y축 라벨
# mpg 데이터matplot(mpg[,c("displ", "cty", "hwy")],
pch = 6:8, # 점의 모양 col = c("black", "skyblue", "purple"), # 점의 색깔 main = "mpg 데이터의 산점도" ## 제목 xlab = "개체"", # x축 라벨벨
ylab = "") # y축 라벨
2-2. 3차원 산점도
- 세 변수를 각각 X축, Y축, Z축으로 하여 관찰값을 XYZ 3차원상의 점으로 나타내는 그래프를 3차원 산점도라고 한다.
2-2-1. 함수 scatterplot3d()
- Package
scatterplot3d에 내장되어 있는 함수scatterplot3d()를 통해 3차원 산점도를 작성할 수 있다. - 함수
scatterplot3d()에 대한 자세한 옵션은 여기를 참고한다.
pacman::p_load("scatterplot3d")
# iris 데이터scatterplot3d(iris[,1:3],
pch = 3, # 점의 모양 color = "red", # 점의 색깔 main = "iris 데이터의 3차원 산점도"# # 제목NA= "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 zlab = "꽃잎의 길이" # z# z축 라벨NA)
# mpg 데이터scatterplot3d(x = mpg$displ, # x축 y = mpg$cty, # y축 z = mpg$hwy, # z축 pch = 5, # 점의 모양 color = "blue", # 점의 색깔 main = "mpg 데이터의 3차원 산점도" # # 제목NA= "배기량"", # x축 라벨벨
ylab = "도시 연비"비", # y축 라벨라벨
zlab = "고속도로 연비"비", # z축 라벨라벨
angle = 50, # 각도각도
box = FALSE, # 상자 그림을 나타낼 것인지 여부부
grid = FALSE # 격자를 나타낼 것인지 여부부
)
2-2-2. 함수 scatter3D()
- 3차원 산점도는 Package
plot3D에 내장되어 있는 함수scatter3D()를 통해 작성할 수 있다. - 함수
scatter3D()에 대한 자세한 옵션은 여기를 참고하며, 각 옵션에 대한 예제는 여기를 참고한다.
pacman::p_load("plot3D")
# iris 데이터scatter3D(x = iris$Sepal.Length, # x축 y = iris$Sepal.Width, # y축 z = iris$Petal.Length, # z축 pch = 3, # 점의 모양 col = gg.col(100), # 색깔
main ="iris 데이터의 3차원 산점도" # # 제목NA= "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 zlab = "꽃잎의 길이" # z# z축 라벨NA= "f" # 박스 타입
)
# mpg 데이터scatter3D(x = mpg$displ, # x축 y = mpg$cty, # y축 z = mpg$hwy, # z축 pch = 5, # 점의 모양 colvar = NULL, col = "blue", # 오로지 한 색깔만 표시하고 싶을 때 옵션 colkey = FALSE, # 색깔 범례 표시 여부부
main = "mpg 데이터의 3차원 산점도" # # 제목NA= "배기량"", # x축 라벨벨
ylab = "도시 연비"비", # y축 라벨라벨
zlab = "고속도로 연비"비", # z축 라벨라벨
bty = "b2" # 박스 타입
)
2-2-3. 함수 plot_ly()
- Package
plotly()는 다양한interactive 그래프작성하는 데 유용한 Package이다.- 여기서,
interactive 그래프란 그래프 위에 마우스 커서를 올리면 해당하는 부분의 정보를 보여주는 그래프이다.
- 여기서,
- Package
plotly()의 함수plot_ly()를 통해 interactive 3차원 산점도를 작성할 수 있다.
pacman::p_load("plotly")
# iris 데이터plot_ly(iris,
x = ~Sepal.Length, # x축 y = ~Sepal.Width, # y축 z = ~Petal.Length) %>% # z축 add_markers() %>%
layout(title = "iris 데이터의 3차원 산점도" # # 제목NA= list(xaxis = list(title = "꽃받침의 길이") # # x축 라벨NA= list(title = "꽃받침의 너비") ## y축 라벨 zaxis = list(title = "꽃잎의 길이"))) # z# z축 라벨NA# mpg 데이터plot_ly(mpg,
x = ~displ, # x축 y = ~cty, # y축 z = ~hwy, # z축 mode = "markers",
marker = list(color = "green")) %>% # 색깔
add_markers() %>%
layout(title = "mpg 데이터의 3차원 산점도" # # 제목NA= list(xaxis = list(title = "배기량")), # x축 라벨벨
yaxis = list(title = "도시 연비")"), # y축 라벨라벨
zaxis = list(title = "고속도로 연비")))))# z축 라벨라벨
2-3. 산점도 행렬
- 세 개 이상의 변수에 대하여 각각 두 변수 간의 산점도들을 그린 그래프를 산점도 행렬이라고 한다.
2-3-1. 함수 pairs()
- 세 개 이상의 변수에 대한 산점도를 한꺼번에 보여주는 산점도 행렬을
작성하기 위해서는 함수 R에 기본적으로 내장되어 있는 함수
pairs()을 사용할 수 있다.
# iris 데이터## 함수 pairs()pairs(iris[,1:4],
main = "iris 데이터의 산점도 행렬")# # 제목NA
Caution! 함수 pairs()의 댜양한 옵션을 통해
그래프를 수정할 수 있으며, 자세한 옵션은 여기를
참고한다.
# iris 데이터## 함수 pairs()pairs(iris[,1:4],
main = "iris 데이터의 산점도 행렬" # # 제목NA= 3, # 점의 모양 cex = 3, # 점의 크기 col = "red", # 점의 색깔 lower.panel = NULL) # 대각선 아래쪽 그래프 안보이게이게
# mpg 데이터## 함수 pairs()pairs(mpg[,c("displ", "cty", "hwy")],
main = "mpg 데이터의 산점도 행렬" # # 제목NA= 3, # 점의 모양 cex = 3, # 점의 크기 col = "red", # 점의 색깔 lower.panel = NULL) # 대각선 아래쪽 그래프 안보이게이게
2-3-2. 함수 ggpairs()
- 산점도 행렬은 Package
GGally에 내장된 함수ggpairs()를 통해 작성할 수도 있다.
pacman::p_load("GGally")
# iris 데이터## 함수 ggpairs()ggpairs(iris[,1:4],
title = "iris 데이터의 산점도 행렬") +# # 제목NAtheme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
# mpg 데이터## 함수 ggpairs()ggpairs(mpg[,c("displ", "cty", "hwy")],
title = "mpg 데이터의 산점도 행렬") +# # 제목NAtheme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
3. 별도표
- 별도표는 중심점(Center point)으로부터 각 개채별 / 각 변수별로
거리(Distance) 혹은 반지름(Radius)이 얼마나 떨어져있는가를 시각화한
그래프이다.
- 중심에서 연결된 선 또는 조각난 도형의 면적은 해당 변수의 크기를 나타낸다.
- R에서 기본적으로 내장되어 있는 함수
stars()를 통해 별도표를 작성할 수 있으며, 자세한 옵션은 여기를 참고한다.
# iris 데이터stars(iris[,1:4],
full = TRUE, # 전체 원으로 표현할 것인지 반원으로 표현할 것인지 여부NA= TRUE, # 각 변수를 0과 1사이의 값으로 척도화할 것인지 여부부
radius = TRUE, # 반경 선을 표현할 것인지 여부NA= rownames(iris), # 라벨벨
draw.segments = FALSE, # 원으로 표현할 것이지 별 모양으로 표현할 것인지 여부NA= FALSE, # 라벨 위치 이동 여부여부
frame.plot = TRUE, # 외곽의 사각형틀을 나타낼 것인지 여부
main = "iris 데이터의 개체별 거리"", # 제목목
nrow = 10, # 행의 수NA= c(32, -2)) # 변수 이름을 표현하는 별도의 도표 좌표
# mpg 데이터stars(mpg[,c("displ", "cty", "hwy")],
full = FALSE, # 전체 원으로 표현할 것인지 반원으로 표현할 것인지 여부NA= TRUE, # 각 변수를 0과 1사이의 값으로 척도화할 것인지 여부부
radius = TRUE, # 반경 선을 표현할 것인지 여부NA= rownames(mpg), # 라벨벨
draw.segments = TRUE, # 원으로 표현할 것이지 별 모양으로 표현할 것인지 여부NA= FALSE, # 라벨 위치 이동 여부여부
frame.plot = TRUE, # 외곽의 사각형틀을 나타낼 것인지 여부
main = "mpg 데이터의 개체별 거리"", # 제목목
nrow = 14, # 행의 수NA= c(35, 1)) # 변수 이름을 표현하는 별도의 도표 좌표
4. 레이더도표
- 레이더도표는 변수 수에 따라 원을 같은 간격으로 나누고, 중심으로부터 일정 간격으로 칸을 나누어 각 변수의 값에 따라 점을 찍고 선을 연결한 도표이다.
4-1. 함수 radial.plot()
- 레이더도표는 Package
plotrix에 내장되어 있는 함수radial.plot()을 이용하여 작성할 수 있다. - 함수
radial.plot()에 대한 자세한 옵션은 여기를 참고한다.
pacman::p_load("plotrix")
# iris 데이터radial.plot(iris[,1:4],
rp.type = "rp", # 도표의 유형 radial.lim = c(0, 10), # 방사선의 범위
labels = names(iris)[1:4], # 각 변수에 대한 문자열 레이블이 저장되어 있는 벡터를 지정 show.grid = TRUE, # 원형 격자를 표현할 것인지 여부NA= FALSE, # 방사선을 표현할 것인지 여부NA= "iris 데이터의 레이더도표" ## 제목 )
# mpg 데이터radial.plot(mpg[,c("displ", "cty", "hwy")],
rp.type = "rp", # 도표의 유형 radial.lim = c(0, 50), # 방사선의 범위
labels = c("displ", "cty", "hwy"), # 각 변수에 대한 문자열 레이블이 저장되어 있는 벡터를 지정 show.grid = TRUE, # 원형 격자를 표현할 것인지 여부NA= TRUE, # 방사선을 표현할 것인지 여부NA= "mpg 데이터의 레이더도표" ## 제목)
Caution! 각 개체별 레이더도표를 작성하기 위해 반복문
for()를 이용할 수 있다.
# 개체별 레이더도표더도표
par(mfrow = c(2, 2))
for(i in 1:4){
radial.plot(iris[i,1:4],
rp.type = "rp", # 도표의 유형 radial.lim = c(0, 10), # 방사선의 범위
rad.col = "grey", # 방사선 색깔깔
line.col = "red", # 선 색깔깔
labels = names(iris)[1:4], # 각 변수에 대한 문자열 레이블이 저장되어 있는 벡터를 지정 show.grid = TRUE, # 원형 격자를 표현할 것인지 여부NA= TRUE, # 방사선을 표현할 것인지 여부NA= rownames(iris)[i] # 제목
)
}
4-2. 함수 stars()
- 별도표를 작성하기 위해 사용한 함수
stars()는 옵션locations = c(0, 0)와key.loc = c(0, 0)을 지정하면 레이더도표를 작성한다.
# iris 데이터stars(iris[,1:4],
locations = c(0, 0),
col.lines = 1:nrow(iris), # 선의 색상을 행의 수 만큼 지정NA= FALSE, # 외곽의 사각형틀을 나타낼 것인지 여부
main = "iris 데이터의 레이더도표" ## 제목 key.loc = c(0, 0)) # 변수 이름을 표현하는 별도의 도표 좌표
# mpg 데이터stars(mpg[,c("displ", "cty", "hwy")],
locations = c(0, 0),
col.lines = 1:nrow(mpg), # 선의 색상을 행의 수 만큼 지정NA= FALSE, # 외곽의 사각형틀을 나타낼 것인지 여부
main = "mpg 데이터의 레이더도표" ## 제목 key.loc = c(0, 0)) # 변수 이름을 표현하는 별도의 도표 좌표
4-3. 함수 radarchart()
- Package
fmsb에 내장되어 있는 함수radarchart()를 통해 레이더도표를 작성할 수 있다.- 함수
radarchart()에서는 입력되는 데이터가 첫 번째 행은 각 변수의 최댓값, 두 번째 행은 최솟값이어야 한다.
- 함수
pacman::p_load("fmsb")
# iris 데이터radar.iris.data <- rbind(rep(10, 4), rep(0, 4), iris[,1:4])
radar.iris.data # 함수 radarchart()는 첫 행은 각 변수의 최댓값, 두 번째 행은 각 변수의 최솟값이어야 함NA Sepal.Length Sepal.Width Petal.Length Petal.Width
1 10.0 10.0 10.0 10.0
2 0.0 0.0 0.0 0.0
3 5.1 3.5 1.4 0.2
4 4.9 3.0 1.4 0.2
5 4.7 3.2 1.3 0.2
6 4.6 3.1 1.5 0.2
7 5.0 3.6 1.4 0.2
8 5.4 3.9 1.7 0.4
9 4.6 3.4 1.4 0.3
10 5.0 3.4 1.5 0.2
11 4.4 2.9 1.4 0.2
12 4.9 3.1 1.5 0.1
13 5.4 3.7 1.5 0.2
14 4.8 3.4 1.6 0.2
15 4.8 3.0 1.4 0.1
16 4.3 3.0 1.1 0.1
17 5.8 4.0 1.2 0.2
18 5.7 4.4 1.5 0.4
19 5.4 3.9 1.3 0.4
20 5.1 3.5 1.4 0.3
21 5.7 3.8 1.7 0.3
22 5.1 3.8 1.5 0.3
23 5.4 3.4 1.7 0.2
24 5.1 3.7 1.5 0.4
25 4.6 3.6 1.0 0.2
26 5.1 3.3 1.7 0.5
27 4.8 3.4 1.9 0.2
28 5.0 3.0 1.6 0.2
29 5.0 3.4 1.6 0.4
30 5.2 3.5 1.5 0.2
31 5.2 3.4 1.4 0.2
32 4.7 3.2 1.6 0.2
33 4.8 3.1 1.6 0.2
34 5.4 3.4 1.5 0.4
35 5.2 4.1 1.5 0.1
36 5.5 4.2 1.4 0.2
37 4.9 3.1 1.5 0.2
38 5.0 3.2 1.2 0.2
39 5.5 3.5 1.3 0.2
40 4.9 3.6 1.4 0.1
41 4.4 3.0 1.3 0.2
42 5.1 3.4 1.5 0.2
43 5.0 3.5 1.3 0.3
44 4.5 2.3 1.3 0.3
45 4.4 3.2 1.3 0.2
46 5.0 3.5 1.6 0.6
47 5.1 3.8 1.9 0.4
48 4.8 3.0 1.4 0.3
49 5.1 3.8 1.6 0.2
50 4.6 3.2 1.4 0.2
51 5.3 3.7 1.5 0.2
52 5.0 3.3 1.4 0.2
53 7.0 3.2 4.7 1.4
54 6.4 3.2 4.5 1.5
55 6.9 3.1 4.9 1.5
56 5.5 2.3 4.0 1.3
57 6.5 2.8 4.6 1.5
58 5.7 2.8 4.5 1.3
59 6.3 3.3 4.7 1.6
60 4.9 2.4 3.3 1.0
61 6.6 2.9 4.6 1.3
62 5.2 2.7 3.9 1.4
63 5.0 2.0 3.5 1.0
64 5.9 3.0 4.2 1.5
65 6.0 2.2 4.0 1.0
66 6.1 2.9 4.7 1.4
67 5.6 2.9 3.6 1.3
68 6.7 3.1 4.4 1.4
69 5.6 3.0 4.5 1.5
70 5.8 2.7 4.1 1.0
71 6.2 2.2 4.5 1.5
72 5.6 2.5 3.9 1.1
73 5.9 3.2 4.8 1.8
74 6.1 2.8 4.0 1.3
75 6.3 2.5 4.9 1.5
76 6.1 2.8 4.7 1.2
77 6.4 2.9 4.3 1.3
78 6.6 3.0 4.4 1.4
79 6.8 2.8 4.8 1.4
80 6.7 3.0 5.0 1.7
81 6.0 2.9 4.5 1.5
82 5.7 2.6 3.5 1.0
83 5.5 2.4 3.8 1.1
84 5.5 2.4 3.7 1.0
85 5.8 2.7 3.9 1.2
86 6.0 2.7 5.1 1.6
87 5.4 3.0 4.5 1.5
88 6.0 3.4 4.5 1.6
89 6.7 3.1 4.7 1.5
90 6.3 2.3 4.4 1.3
91 5.6 3.0 4.1 1.3
92 5.5 2.5 4.0 1.3
93 5.5 2.6 4.4 1.2
94 6.1 3.0 4.6 1.4
95 5.8 2.6 4.0 1.2
96 5.0 2.3 3.3 1.0
97 5.6 2.7 4.2 1.3
98 5.7 3.0 4.2 1.2
99 5.7 2.9 4.2 1.3
100 6.2 2.9 4.3 1.3
101 5.1 2.5 3.0 1.1
102 5.7 2.8 4.1 1.3
103 6.3 3.3 6.0 2.5
104 5.8 2.7 5.1 1.9
105 7.1 3.0 5.9 2.1
106 6.3 2.9 5.6 1.8
107 6.5 3.0 5.8 2.2
108 7.6 3.0 6.6 2.1
109 4.9 2.5 4.5 1.7
110 7.3 2.9 6.3 1.8
111 6.7 2.5 5.8 1.8
112 7.2 3.6 6.1 2.5
113 6.5 3.2 5.1 2.0
114 6.4 2.7 5.3 1.9
115 6.8 3.0 5.5 2.1
116 5.7 2.5 5.0 2.0
117 5.8 2.8 5.1 2.4
118 6.4 3.2 5.3 2.3
119 6.5 3.0 5.5 1.8
120 7.7 3.8 6.7 2.2
121 7.7 2.6 6.9 2.3
122 6.0 2.2 5.0 1.5
123 6.9 3.2 5.7 2.3
124 5.6 2.8 4.9 2.0
125 7.7 2.8 6.7 2.0
126 6.3 2.7 4.9 1.8
127 6.7 3.3 5.7 2.1
128 7.2 3.2 6.0 1.8
129 6.2 2.8 4.8 1.8
130 6.1 3.0 4.9 1.8
131 6.4 2.8 5.6 2.1
132 7.2 3.0 5.8 1.6
133 7.4 2.8 6.1 1.9
134 7.9 3.8 6.4 2.0
135 6.4 2.8 5.6 2.2
136 6.3 2.8 5.1 1.5
137 6.1 2.6 5.6 1.4
138 7.7 3.0 6.1 2.3
139 6.3 3.4 5.6 2.4
140 6.4 3.1 5.5 1.8
141 6.0 3.0 4.8 1.8
142 6.9 3.1 5.4 2.1
143 6.7 3.1 5.6 2.4
144 6.9 3.1 5.1 2.3
145 5.8 2.7 5.1 1.9
146 6.8 3.2 5.9 2.3
147 6.7 3.3 5.7 2.5
148 6.7 3.0 5.2 2.3
149 6.3 2.5 5.0 1.9
150 6.5 3.0 5.2 2.0
151 6.2 3.4 5.4 2.3
152 5.9 3.0 5.1 1.8radarchart(radar.iris.data,
title = "iris 데이터의 레이더도표")
# mpg 데이터radar.mpg.data <- rbind(rep(50, 3), rep(0, 3), mpg[,c("displ", "cty", "hwy")]) # 함수 radarchart()는 첫 행은 각 변수의 최댓값, 두 번째 행은 각 변수의 최솟값이어야 함NAradar.mpg.data
# A tibble: 236 x 3
displ cty hwy
<dbl> <dbl> <dbl>
1 50 50 50
2 0 0 0
3 1.8 18 29
4 1.8 21 29
5 2 20 31
6 2 21 30
7 2.8 16 26
8 2.8 18 26
9 3.1 18 27
10 1.8 18 26
# ... with 226 more rowsradarchart(radar.mpg.data,
title = "mpg 데이터의 레이더도표")
5. 버블차트
- 버블차트는 두 변수의 조합에서 제3의 변수값을 쉽게 파악할 수 있게 한다.
- 산점도와 비슷해 보이지만,
원의 크기가 제 3의 변수값에 따라 다르다는 것이 특징이다.
5-1. 함수 symbols()
- R에 기본적으로 내장되어 있는 함수
symbols()는 x, y 좌표에 여러 가지 모양을 나타낼 수 있으며, 모양의 크기를 비롯한 여러 가지 특징들은 옵션으로 조절 가능하다. - 함수
symbols()에 대한 자세한 옵션은 여기를 참고한다.
# iris 데이터symbols(iris$Sepal.Length, # x축 iris$Sepal.Width, # y축 circles = iris$Petal.Length, # 원의 반지름 벡터 inches = 0.4, # 원의 크기 bg = "grey50", # 원의 배경색 fg = "black", # 원의 테투리색NA= "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 main = "iris 데이터의 꽃받침의 길이와 너비에 따른 꽃잎의 길이")NA# 제목NA
# mpg 데이터op <- palette(rainbow(nrow(mpg))) # 색깔
symbols(mpg$cty, # x축 mpg$hwy, # y축 circles = mpg$displ, # 원의 반지름 벡터 inches = 0.4, # 원의 크기 bg = op, # 원의 배경색 fg = "black", # 원의 테투리색NA= "도시 연비"비", # x축 라벨라벨
ylab = "고속도로 연비"비", # y축 라벨라벨
main = "mpg 데이터의 도시 연비와 고속도로 연비에 따른 배기량")배기# 제목 # 제목
5-2. 함수 geom_point()
- 버블차트는 Package
ggplot2에 내장되어 있는 함수geom_point()를 통해 작성할 수 있다.- 옵션
size에 제3의 변수를 지정하면 산점도와 달리 원의 크기를 제3의 변수값으로 나타낼 수 있다.
- 옵션
# iris 데이터ggplot(iris, aes(x = Sepal.Length, # x축 y = Sepal.Width, # y축 size = Petal.Length)) + # 크기
geom_point(color = "grey50", # 색깔
alpha = 0.5, # 색깔의 투명도 show.legend = FALSE) +
labs(x = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 title = "iris 데이터의 꽃받침의 길이와 너비에 따른 꽃잎의 길이") +NA# 제목NAtheme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
# mpg 데이터ggplot(mpg, aes(x = cty, # x축 y = hwy, # y축 size = displ, # 크기
color = displ)) + # 색깔
geom_point(show.legend = FALSE) +
scale_color_gradientn(colors = c("#00AFBB", # 수치가 작을 때 색깔
"#E7B800", # 중간 색깔
"#FC4E07")) + # 수치가 클 때 색깔색깔
labs(x = "도시 연비"비", # x축 라벨라벨
y = "고속도로 연비"비", # y축 라벨라벨
title = "mpg 데이터의 도시 연비와 고속도로 연비에 따른 배기량")배+량")# 제목 # 제목
theme_bw() + # 배경
theme(plot.title = element_text(hjust = 0.5, size = 15))
5-3. 함수 plot_ly()
- Package
plotly()는 다양한interactive 그래프작성하는 데 유용한 Package이다.- 여기서,
interactive 그래프란 그래프 위에 마우스 커서를 올리면 해당하는 부분의 정보를 보여주는 그래프이다.
- 여기서,
- Package
plotly()의 함수plot_ly()를 통해 interactive 버블차트를 작성할 수 있다.
pacman::p_load("plotly")
# iris 데이터plot_ly(iris,
x = ~Sepal.Length, # x축 y = ~Sepal.Width, # y축 text = ~Petal.Length, # 글자 type = "scatter", # 산점도도
mode = "markers",
marker = list(size = ~Petal.Length, # 크기
opacity = 0.5, # 색깔 투명도
color = 'rgb(255, 65, 54)')) %>% # 색깔
layout(title = "iris 데이터의 꽃받침의 길이와 너비에 따른 꽃잎의 길이"NA#제목NA= list(title = "꽃받침의 길이") # # x축 라벨NA= list(title = "꽃받침의 너비")) ## y축 라벨# mpg 데이터plot_ly(mpg,
x = ~cty, # x축 y = ~hwy, # y축 color = ~displ, # 색깔
hoverinfo = 'text',
text = ~paste('도시 연비 :':'ctyty'고속도로 연비 :'비 :', # 글자 글자
hwy, '<br>: 배기량'',displ)),
type = "scatter", # 산점도도
mode = "markers",
marker = list(size = ~displ, # 크기
opacity = 0.5)) %>% # 색깔 투명도
layout(title = "mpg 데이터의 도시 연비와 고속도로 연비에 따른 배기량" 배기량"# 제목 # 제목
xaxis = list(title = "도시 연비")"), # x축 라벨라벨
yaxis = list(title = "고속도로 연비")))) # y축 라벨라벨
6. 평행좌표 그래프
- 평행좌표 그래프는 데이터의 각 행을 변수별로 선으로 매핑시켜 나타내는 그래프이다.
- 평행좌표 그래프는 다변량 데이터를 이차원 평면에 나타내고, 그 해석을 직관적으로 할 수 있다.
- 데이터가 너무 많으면 선들이 겹쳐 전체적인 패턴을 볼 수 없는 경우가 있다.
6-1. 함수 parcoord()
- 평행좌표 그래프를 작성하기 위해서는 Package
MASS에 내장되어 있는 함수parcoord()를 사용할 수 있다.
pacman::p_load("MASS")
op <- palette(rainbow(nrow(mpg))) # 색깔
# iris 데이터parcoord(iris[,1:4],
col = op, # 색깔
var.label = TRUE) # 각 변수들의 선 끝에 최댓값과 최솟값 출력 출력
# mpg 데이터parcoord(mpg[,c("displ", "cty", "hwy")],
col = op, # 색깔
lty = 2, # 선 종류류
var.label = FALSE)
6-2. 함수 parallelplot()
- 평행좌표 그래프를 작성하기 위해서는 Package
lattice에 내장되어 있는 함수parallelplot()를 사용할 수 있다.
pacman::p_load("lattice")
# iris 데이터parallelplot(iris[,1:4],
horizontal.axis = FALSE) # 평행 축을 수평으로 나열할 것인지 여부NA
# mpg 데이터parallelplot(mpg[,c("displ", "cty", "hwy")],
horizontal.axis = FALSE) # 평행 축을 수평으로 나열할 것인지 여부NA
6-3. 함수 ggparcoord()
- Package
GGally에 내장되어 있는 함수ggparcoord()는 그룹에 따른 평행좌표 그래프를 나타내는 데 유용한 함수이다.
pacman::p_load("GGally")
# iris 데이터ggparcoord(iris,
columns = 1:4, # 변수수
groupColumn = 5, # 그룹변수수
scale = "globalminmax", # 관측값 스케일링 X
showPoints = TRUE, # 점 표시
title = "iris 데이터의 붓꽃 종류에 따른 평행 좌표 그래프"# 제# 제목NA) +
scale_color_brewer(palette = "Set2") + # 색깔
theme_bw() + # 배경
theme(
plot.title = element_text(size=10, hjust = 0.5)
)
pacman::p_load("GGally",
"viridis", # For scale_color_viridis()
"hrbrthemes") # For theme_ipsum()
# mpg 데이터ggparcoord(mpg,
columns = c(3, 8, 9), # 변수수
groupColumn = "fl", # 그룹변수수
order = c(8, 9, 3), # 변수 나열하는 순서 순서
scale = "globalminmax", # 관측값 스케일링 X
showPoints = TRUE, # 점 표시
title = "mpg 데이터의 실린더 개수에 따른 평행 좌표 그래프" ## 제목 ) +
scale_color_viridis(discrete=TRUE) + # 색깔
theme_ipsum() + # 배경
theme(
plot.title = element_text(size=10, hjust = 0.5)
)
7. 체르노프 얼굴그림
- 체르노프 얼굴그림은 다변량 데이터의 각 변수를 얼굴의 여러 구성요소에 대응시켜 그린 그림으로, 서로 닮은 형태의 개체가 유사함을 나타낸다.
- 15개의 얼굴 구성요소를 가지기 때문에 최대 15개의 변수를 나타낼 수
있다.
- 얼굴 구성요소는 다음과 같다.
- 얼굴의 높이
- 얼굴의 넓이
- 얼굴의 구조
- 입의 높이
- 입의 넓이
- 웃음
- 눈의 높이
- 눈의 넓이
- 머리카락 높이
- 머리카락 넓이
- 헤어스타일
- 코 높이
- 코 넓이
- 귀 넓이
- 귀 높이
- 얼굴 구성요소는 다음과 같다.
- 체르노프 얼굴그림은 얼굴 모양을 가지고 데이터 개체들의 특성을 직관적으로 파악할 수 있다는 장점이 있다.
- 체르노프 얼굴그림은 Package
aplpack에 내장되어 있는 함수faces()를 통해 작성할 수 있으며, 자세한 옵션은 여기를 참고한다.
pacman::p_load("aplpack")
# iris 데이터faces(iris[,1:4], # 수치형 변수
face.type = 0, # 얼굴 스타일(0 : 선만 있는 얼굴 / 1: 색칠된 얼굴 / 2 : 산타클로스 얼굴)로스 얼굴)
nrow.plot = 3, # 행 개수
main = "iris 데이터의 체르노프 얼굴그림") # 제목
effect of variables:
modified item Var
"height of face " "Sepal.Length"
"width of face " "Sepal.Width"
"structure of face" "Petal.Length"
"height of mouth " "Petal.Width"
"width of mouth " "Sepal.Length"
"smiling " "Sepal.Width"
"height of eyes " "Petal.Length"
"width of eyes " "Petal.Width"
"height of hair " "Sepal.Length"
"width of hair " "Sepal.Width"
"style of hair " "Petal.Length"
"height of nose " "Petal.Width"
"width of nose " "Sepal.Length"
"width of ear " "Sepal.Width"
"height of ear " "Petal.Length"# mpg 데이터faces(mpg[,c("cyl", "displ", "cty", "hwy")], # 수치형 변수
face.type = 2, # 얼굴 스타일(0 : 선만 있는 얼굴 / 1: 색칠된 얼굴 / 2 : 산타클로스 얼굴)로스 얼굴)
nrow.plot = 3, # 행 개수
labels = rownames(mpg), # 얼굴 그림의 라벨라벨
cex = 2, # 라벨 크기기
main = "mpg 데이터의 체르노프 얼굴 그림"
)
effect of variables:
modified item Var
"height of face " "cyl"
"width of face " "displ"
"structure of face" "cty"
"height of mouth " "hwy"
"width of mouth " "cyl"
"smiling " "displ"
"height of eyes " "cty"
"width of eyes " "hwy"
"height of hair " "cyl"
"width of hair " "displ"
"style of hair " "cty"
"height of nose " "hwy"
"width of nose " "cyl"
"width of ear " "displ"
"height of ear " "cty" Caution! 함수 plot.face()를 통해 체르노프
얼굴그림으로 산점도를 작성할 수 있다.
# iris 데이터## 체르노프 얼굴그림그림
iris.face <- faces(iris[1:10, 1:4],
plot = FALSE) # 그래프 출력 여부
effect of variables:
modified item Var
"height of face " "Sepal.Length"
"width of face " "Sepal.Width"
"structure of face" "Petal.Length"
"height of mouth " "Petal.Width"
"width of mouth " "Sepal.Length"
"smiling " "Sepal.Width"
"height of eyes " "Petal.Length"
"width of eyes " "Petal.Width"
"height of hair " "Sepal.Length"
"width of hair " "Sepal.Width"
"style of hair " "Petal.Length"
"height of nose " "Petal.Width"
"width of nose " "Sepal.Length"
"width of ear " "Sepal.Width"
"height of ear " "Petal.Length"## 산점도도
plot(iris$Sepal.Length[1:10], # x축 iris$Sepal.Width[1:10], # y축 xlab = "꽃받침의 길이" # # x축 라벨NA= "꽃받침의 너비" ## y축 라벨 main = "iris 데이터의 산점도") ## 제목
## 그린 산점도와 저장한 체르노프 얼굴 그림 오버랩버랩
plot.faces(iris.face, # 얼굴 그림그림
iris$Sepal.Length[1:10], # x축 iris$Sepal.Width[1:10], # y축 face.type = 1, # 얼굴 스타일(0 : 선만 있는 얼굴 / 1: 색칠된 얼굴 / 2 : 산타클로스 얼굴) 스 얼굴)
width = 0.1, # 얼굴 넓이
height = 0.1) # 얼굴 높이
# mpg 데이터mpg.face <- faces(mpg[1:15,c("cyl", "displ", "cty", "hwy")],
plot = FALSE) # 그래프 출력 여부
effect of variables:
modified item Var
"height of face " "cyl"
"width of face " "displ"
"structure of face" "cty"
"height of mouth " "hwy"
"width of mouth " "cyl"
"smiling " "displ"
"height of eyes " "cty"
"width of eyes " "hwy"
"height of hair " "cyl"
"width of hair " "displ"
"style of hair " "cty"
"height of nose " "hwy"
"width of nose " "cyl"
"width of ear " "displ"
"height of ear " "cty" # 산점도도
plot(mpg$displ[1:15], # x축 mpg$cty[1:15], # y축 xlab = "배기량"", # x축 라벨벨
ylab = "도시 연비"비", # y축 라벨라벨
main = "mpg 데이터의 산점도") ## 제목
## 그린 산점도와 저장한 체르노프 얼굴 그림 오버랩버랩
plot.faces(mpg.face, # 얼굴 그림그림
mpg$displ[1:15], # x축 mpg$cty[1:15], # y축 face.type = 2, # 얼굴 스타일(0 : 선만 있는 얼굴 / 1: 색칠된 얼굴 / 2 : 산타클로스 얼굴) 얼굴)
width = 0.2, # 얼굴 넓이
height = 0.3) # 얼굴 높이
8. 모자이크 그림
- 모자이크 그림은 두 범주형의 분할표를 시각화한 그래프이다.
- 사각형의 넓이가 각 범주에 속한 데이터의 수에 해당한다.
- 모자이크 그림은 R에서 기본적으로 내장되어 있는 함수
mosaicplot()를 통해 작성할 수 있다.
table <- table(mpg$fl, mpg$class)
table
2seater compact midsize minivan pickup subcompact suv
c 0 0 0 0 0 1 0
d 0 1 0 0 0 2 2
e 0 0 0 1 3 0 4
p 5 21 15 0 0 3 8
r 0 25 26 10 30 29 48op <- palette(rainbow(5))
mosaicplot(table, # 분할표 main = "mpg 데이터의 연료 종류에 따른 자동차 종류", # 제목
xlab = "연료 종류"", # x축 라벨벨
ylab = "자동차 종류" ## y축 라벨 color = c("orange", "yellow", "blue", "red", "green") # 색깔
)
