[패스트캠퍼스 수강 후기] R 인강 100% 환급 챌린지 9차 미션

[패스트캠퍼스 수강 후기] R 인강 100% 환급 챌린지 9차 미션

 

패스트캠퍼스의 강의 중, 프로젝트와 함께 배우는 R 데이터 분석 올인원 패키지 Online를 수강하고 있습니다.

https://bit.ly/2DKMGNx 

내용을 복습도 할 겸, 미션에도 참가할 겸, 블로그에 매일 매일 정리해 보게 되었습니다.

 

오늘은 9회차 미션!

Part 2) [R로 하는 데이터 분석] 데이터 분석 기본기 익히기

1. 10. Ch 05. 데이터 가공하기 - 04. 파생변수 추가하기

2. 11. Ch 05. 데이터 가공하기 - 05. 집단 별로 데이터 요약하기

 

1. 10. Ch 05. 데이터 가공하기 - 04. 파생변수 추가하기

1. 원자료가 있을 때, 새로운 변수를 추가.

2. mutate 를 사용

1. exam %>% mutate(total = math + english + science) %>%

2.   head

3. 이전에 exam$total <- 이라는 방식으로도 처리할 수 있긴 했음.

4. 하지만 mutate의 장점이 있다! (3가지 장점)

1. 하지만 mutate 와 %>%를 사용하면, $를 쓰지 않고 코드를 간략하게 표현 가능

1. 즉, 파이프연산자 %>%를 사용한다는 것은 앞에 해당 데이터프레임을 선언했다고 볼 수도 있음.

2. 그리고 2개 이상의 변수를 한번에 추가하는 것도 가능

1. exam %>% mutate(total = math + english + science,

2.                 mean = (math + english + science)/3) %>%

3.   head

3. 아래와 같이 새롭게 추가한 변수를 이어서 바로 사용하는 것도 가능

1. exam %>% mutate(total = math + english + science,

2.                 mean = total/3) %>%

3.   head

4. mutate안에서 ifelse를 사용하는 것도 가능

1. exam %>% mutate(test = ifelse(science >= 60, "pass", "fail")) %>%

2.   head

5. 연습문제

1. 

2. 코드

1. mpg_new <- as.data.frame(mpg)

2. mpg %>% mutate(total = cty+hwy, mean_total = total/2) %>%

3.   arrange(desc(mean_total)) %>%

4.   head(3)

2. 11. Ch 05. 데이터 가공하기 - 05. 집단 별로 데이터 요약하기

1.  

2. 그룹별로, 평균, 등을 하고 싶을 때.

1. 10개 반을 비교한다고 하면?

1. group_by와 summarise를 조합하여 사용

2. 

3. 1반의 평균, 2반의 평균을 모아놓은 데이터 만들기.

2. summarize/summarise

1. mean, sum, median 등을 적용

2. 리턴값은 해당 수식을 적용한 변수에 대한 테이블

1. test <- exam %>% summarize(mean_math = mean(math))

2. 이 함수는 group_by와 연동해서 쓸 때 강력함!

3. 예시

1. exam_new %>% group_by(class) %>%

2.   summarise(mean_math = mean(math))

3. class 그룹, 1~5반의 평균을 모아놓은 결과가 나옴

1. 

4. mean외에도 다양한 통계량 계산 가능 (mean, sum, median등...)

1. exam %>%

2.   group_by(class) %>%

3.   summarise(mean_math = mean(math),

4.             sum_math = sum(math),

5.             median_math = median(math),

6.             n=n())

1. n(): 각각의 행의 개수 (여기서는 학생수가 됨)

1. 괄호안에 아무것도 안쓴다.

2. 의외로 많이 쓰는 함수

5. 

6.  

3. 이중으로 쪼개고 싶을 때는 

1. group_by(manufacturer, drv)와 같이 나눌 수도 있음.

2. 이렇게 하면 제조사별, 구동방식별로 나누게 됨

3. 예를 들어, 전국 데이터에서 지역별로 다시 남녀로 나누어 보고 싶을 때 group_by(지역별, 남녀별)로 처리

4. 

1. audi는 4륜구동과 전륜구동에 대해 표시

2. 쉐보레는 전륜/후륜/4균에 대해 표시

3. 만일 audi 전체의, 쉐보레 전체의 연비를 보려면 group_by에 manufacturer만 사용

4. 연습문제

1. 

1. 코드

1. mpg_new %>% group_by(class) %>%

2.   summarise(mean_cty = mean(cty)) %>%

3.   head(10)

4.  

5. mpg_new %>% group_by(class) %>%

6.   summarise(mean_cty = mean(cty)) %>%

7.   arrange(desc(mean_cty)) %>%

8.   head(10)

9.  

10. mpg_new %>% group_by(manufacturer) %>%

11.   summarise(mean_hwy = mean(hwy)) %>%

12.   arrange(desc(mean_hwy)) %>%

13.   head(3)

14.  

15. mpg_new %>% filter(class =="compact") %>%

16.   group_by(manufacturer,) %>%

17.   summarise(number_model = n()) %>%

18.   arrange(desc(number_model)) %>%

19.   head(5)

 

이제 난이도가 올라기기 시작했네요.

하지만 본격적으로 데이터를 분석하는 느낌이 들기 시작.

내가 보고자 하는 평균이나 차종수 등등을 변수로 추가하고, 이를 확인하는 방법을 볼 수 있네요.

특히 여러 그룹의 값들을 비교해서 보는 것까지 가능!

이제 이걸 시각화 하는 부분도 알아야할 듯 한데, 조만간 나올 듯?