excel數據分析案例,數據分析實戰案例 。小編來告訴你更多相關信息 。
今天給大家分享一個真實的探究變量間關系的例子 。
為什么低質量的鉆石反而更加貴ggplot(diamonds, aes(cut, price)) + geom_boxplot()
【數據分析實戰案例 excel數據分析案例】ggplot(diamonds, aes(color, price)) + geom_boxplot()
ggplot(diamonds, aes(clarity, price)) + geom_boxplot()
文章插圖
文章插圖
文章插圖
文章插圖
文章插圖
文章插圖
鉆石價格和重量的關系低質量的鉆石價格反而高，是因為一個混雜變量：carat，carat對鉆石來說是一個很重要的變量，低質量的鉆石一般都要重一點 。我們可以做出了克拉和價格的關系：
ggplot(diamonds, aes(carat, price)) +
geom_hex(bins = 50)
文章插圖
文章插圖
我們在探究其余的變量和因變量的關系時，需要控制混雜變量后再探究自變量與因變量的關系，也就是說在本例中探討cuts, colours, clarity和price的關系時，需要控制掉，或者是摳掉carat對price的影響 。
在分析之前首先對數據進行變形，可以更好的看出變量的線性關系
diamonds2 %
filter(carat %
mutate(lprice = log2(price), lcarat = log2(carat))
然后再作圖
ggplot(diamonds2, aes(lcarat, lprice)) +
geom_hex(bins = 50)
文章插圖
文章插圖
可以清楚的看到carat和price線性關系，現在我們對轉換后的變量進行線性擬合：
mod_diamond <- lm(lprice ~ lcarat, data = https://www.0579wy.com/article/diamonds2)
擬合過后，我們就相當于形成了carat對price的效應，此時我們看cuts, colours, clarity與模型殘差的關系就是摳掉carat對price的效應之后cuts, colours, clarity與price的真正關系了 。
diamonds2 %
add_residuals(mod_diamond, \”lresid\”)
ggplot(diamonds2, aes(cut, lresid)) + geom_boxplot()
ggplot(diamonds2, aes(color, lresid)) + geom_boxplot()
ggplot(diamonds2, aes(clarity, lresid)) + geom_boxplot()
文章插圖
文章插圖
文章插圖
文章插圖
文章插圖
文章插圖
此時，從上面3個圖中我們可以看出cuts, colours, clarity與price的關系就不再是文章開頭所寫的反常的關系了 。
小結 往期內容：
推薦閱讀
- 盤點做好口碑營銷幾個環節 口碑營銷案例及分析
- 關于事件營銷的經典案例簡析 事件營銷又稱為什么
- 關于搜索引擎推廣方案的案例解析 搜索引擎營銷案例內容
- 5個值得學習的營銷案例分析 營銷策略有哪些內容
- 盤點往年知名品牌的5個營銷案例 品牌推廣案例分析
- 關于設計平衡計分卡案例參考 平衡積分卡是什么
- 關于4p營銷案例分析 4p營銷理論是什么
- 10個數據分析工具分享 大數據分析平臺哪個好用一點
- 關于新媒體營銷方案案例分享 新媒體營銷模式
- 關于MGM的典型案例分析 mgm營銷模式