TA_class_1031

dplyr 資料轉換

回想上一次我們做過的:

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer, class) %>%
  summarise(avg = mean(cty))

#> `summarise()` has grouped output by 'manufacturer'. You can override using the `.groups` argument.

#> # A tibble: 15 x 3
#> # Groups:   manufacturer [12]
#>    manufacturer class     avg
#>    <chr>        <chr>   <dbl>
#>  1 audi         compact  17.9
#>  2 chevrolet    suv      12.7
#>  3 dodge        suv      11.9
#>  4 ford         suv      12.9
#>  5 jeep         suv      13.5
#>  6 land rover   suv      11.5
#>  7 lincoln      suv      11.3
#>  8 mercury      suv      13.2
#>  9 nissan       compact  20  
#> 10 nissan       suv      13.8
#> 11 subaru       compact  19.8
#> 12 subaru       suv      18.8
#> 13 toyota       compact  22.2
#> 14 toyota       suv      14.4
#> 15 volkswagen   compact  20.8

可是想加入高速公路油耗進行比較，要怎麼辦呢?複製貼上，改 cty 為 hwy 是一種作法，但不是很高明。如果要把製造商的 cty 和 hwy 的平均值整理在一起又要再多一個步驟。

這件事情可以用 summarise() 一次做完:

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer) %>%
  summarise(cty_avg = mean(cty), hwy_avg = mean(hwy))

#> # A tibble: 12 x 3
#>    manufacturer cty_avg hwy_avg
#>  * <chr>          <dbl>   <dbl>
#>  1 audi            17.9    26.9
#>  2 chevrolet       12.7    17.1
#>  3 dodge           11.9    16  
#>  4 ford            12.9    17.8
#>  5 jeep            13.5    17.6
#>  6 land rover      11.5    16.5
#>  7 lincoln         11.3    17  
#>  8 mercury         13.2    18  
#>  9 nissan          15.8    21.3
#> 10 subaru          19.2    25.4
#> 11 toyota          19.1    25.6
#> 12 volkswagen      20.8    28.5

可是現在沒辦法直接看出哪個製造商的平均油耗最高最低，我們想要排列資料:

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer) %>%
  summarise(cty_avg = mean(cty), hwy_avg = mean(hwy)) %>%
  arrange(cty_avg)

#> # A tibble: 12 x 3
#>    manufacturer cty_avg hwy_avg
#>    <chr>          <dbl>   <dbl>
#>  1 lincoln         11.3    17  
#>  2 land rover      11.5    16.5
#>  3 dodge           11.9    16  
#>  4 chevrolet       12.7    17.1
#>  5 ford            12.9    17.8
#>  6 mercury         13.2    18  
#>  7 jeep            13.5    17.6
#>  8 nissan          15.8    21.3
#>  9 audi            17.9    26.9
#> 10 toyota          19.1    25.6
#> 11 subaru          19.2    25.4
#> 12 volkswagen      20.8    28.5

arrange() 由小到大排列 cty_avg 這個變數。 希望油耗表現最好的排在第一位，就用 desc() 包住 cty_avg。

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer) %>%
  summarise(cty_avg = mean(cty), hwy_avg = mean(hwy)) %>%
  arrange(desc(cty_avg))

#> # A tibble: 12 x 3
#>    manufacturer cty_avg hwy_avg
#>    <chr>          <dbl>   <dbl>
#>  1 volkswagen      20.8    28.5
#>  2 subaru          19.2    25.4
#>  3 toyota          19.1    25.6
#>  4 audi            17.9    26.9
#>  5 nissan          15.8    21.3
#>  6 jeep            13.5    17.6
#>  7 mercury         13.2    18  
#>  8 ford            12.9    17.8
#>  9 chevrolet       12.7    17.1
#> 10 dodge           11.9    16  
#> 11 land rover      11.5    16.5
#> 12 lincoln         11.3    17

市區油耗的表現都不如高速公路的油耗，可能是因為市區會一直塞車，走走停停，所以油耗表現比較差。但是差距有多少呢?

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer) %>%
  summarise(cty_avg = mean(cty), hwy_avg = mean(hwy)) %>%
  mutate(difference = hwy_avg - cty_avg)

#> # A tibble: 12 x 4
#>    manufacturer cty_avg hwy_avg difference
#>  * <chr>          <dbl>   <dbl>      <dbl>
#>  1 audi            17.9    26.9       9   
#>  2 chevrolet       12.7    17.1       4.44
#>  3 dodge           11.9    16         4.14
#>  4 ford            12.9    17.8       4.89
#>  5 jeep            13.5    17.6       4.12
#>  6 land rover      11.5    16.5       5   
#>  7 lincoln         11.3    17         5.67
#>  8 mercury         13.2    18         4.75
#>  9 nissan          15.8    21.3       5.50
#> 10 subaru          19.2    25.4       6.20
#> 11 toyota          19.1    25.6       6.55
#> 12 volkswagen      20.8    28.5       7.71

mutate() 新增變數，變數命名為 difference，是計算 hwy_avg 和 cty_avg 的差異， - 跟你想的應該一樣，代表減法。

ggplot2 資料視覺化

回想上一次我們做過的:

ggplot(data = mpg) +
  geom_point(mapping = aes(x = cty, y = hwy))

寫法有其他種類的變形，來比較一下:

mpg %>%
  ggplot(aes(cty, hwy)) +
    geom_point()

ggplot(mpg, aes(cty, hwy)) +
  geom_point()

ggplot(mpg) +
  geom_point(aes(cty, hwy))

mpg %>% 
  ggplot() +
    geom_point(aes(cty, hwy))

第一種是把資料擺在 ggplot() 外頭，再用 %>% 傳到下一步驟。

第二種是把資料擺在 ggplot() 裡面。

第三種把美學擺在畫圖的方式。

或許你能寫出第四種，再想第五種…

但是，別寫成這樣，是錯的:

ggplot(mpg, cty, hwy) +
  geom_point()

#> Error in ggplot.default(mpg, cty, hwy): object 'cty' not found

ggplot(mpg) +
  geom_point(cty, hwy)

#> Error in layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, : object 'cty' not found

在回到剛才整理過的資料，現在要以視覺化的方式呈現，我們想看出市區與高速公路油耗的差異:

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer) %>%
  summarise(cty_avg = mean(cty), hwy_avg = mean(hwy)) %>%
  mutate(difference = hwy_avg - cty_avg) %>%
  ggplot() +
  geom_col(aes(manufacturer, hwy_avg), 
           alpha = 0.2, fill = "orange", color = "darkorange") +
  geom_col(aes(manufacturer, difference), 
           alpha = 0.3, fill = "violet", color = "purple") +
  coord_flip() +
  theme_classic()

geom_col() 和 geom_boxplot() 都適用於雙變數，一個離散，一個連續。也許你可以試著疊加盒鬚圖與長條圖。

只要用顏色就能區分即可，所以使用 difference 比 cty_avg 更適當。

當然可以自行嘗試使用 cty_avg 的後果。

alpha 設定透明度。

fill 填滿顏色。

color 邊框顏色。