R을 이용한 통계 프로그래밍 기초 제6장 이변량 데이터

프로그램 소스

# R을 이용한 통계 프로그래밍 기초

# 6장 이변량 데이터

# 6.1 범주형 데이터의 이원분할표

x = matrix(c(54,3,7,12), nrow = 2) # 행렬 만들기

rbind(c(54,7), c(3,12)) # 행으로 붙이기

cbind(c(54,3), c(7,12)) # 열로 붙이기

rownames(x) = c("p.buckled", "p.unbuckled")
colnames(x) = c("c.buckled", "c.unbuckled")

x

margin.table(x, 1) # 1 = 행을 기준으로 주변 분포
margin.table(x, 2) # 2 = 열을 기준으로 주변 분포

rowSums(x) # 행의 합을 구하기
colSums(x) # 열의 합을 구하기

addmargins(x) # 원래 행렬에 주변분포를 포함하기

prop.table(x) # 도수에 대한 비율 구하기

jpeg("06_01.jpg")
op = par(mfrow = c(1,2))
barplot(x, main = "child seat-belt usage") # 막대그래프
barplot(x, main = "child seat-belt usage", legend = TRUE, beside = TRUE) # 막대그래프
par(op)
dev.off()

# 예6.1
nico = read.table(file = "table_6_2.txt", header = TRUE) # 자료 읽기

y = table(nico$nicotin, nico$stopsmoke) # 빈도수 구하기
prop.table(y) # 비율 구하기

# 6.2 상관계수

# 예 6.2

blood <- read.table('table_6_3.csv', header = TRUE, sep = ',')
attach(blood)
rowMeans(blood[,2:3]) # 행의 평균 구하기
colMeans(blood[,2:3]) # 열의 평균 구하기
cor(machine, expert) # machine과 expert의 Pearson 상관계수 구하기

jpeg("06_02.jpg")
plot(machine, expert, main = 'blood pressure measurement')
dev.off()

jpeg("06_03.jpg")
op = par(mfrow=c(1,2)) # 1행 2열의 그래프
boxplot(machine, expert, names = c('machine','expert')) # machine과 expert의 boxplot
plot(density(machine), ylim = c(0,0.04), main = 'density plot')
lines(density(expert), lty = 2)
par(op) # 그래프 끝
dev.off()

cor(machine, expert, method = 'spearman') # Spearman의 순위상관계수
cor.test(machine, expert) # 상관 검정

# 예 6.3 : 산점도에 주변분포 히스토그램 그리기

x <- machine
y <- expert

zones <- matrix(c(2,0,1,3), ncol = 2, byrow = TRUE)
zones
layout(zones, width=c(2/3, 1/3), height=c(1/3, 2/3))
xhist <- hist(x, plot = FALSE)
yhist <- hist(y, plot = FALSE)
xhist
yhist

top <- max(c(xhist$counts, yhist$counts))
xrange = c(min(x), max(x))
yrange = c(min(y), max(y))
par(mar=c(6,6,1,1))
plot(x,y, xlim=xrange, ylim=yrange)
par(mar=c(0,6,1,1))
barplot(xhist$counts, axes=FALSE, ylim=c(0,top), space=0, col='green')
title("Scatterplot with marginal histogram")
par(mar=c(6,0,1,1))
barplot(yhist$counts, axes=FALSE, xlim=c(0,top), space=0, horiz=TRUE, col='yellow')

# 예 6.4 - 신체 데이터에 대한 Pearson 상관계수와 산점도

kid = read.table('table_6_4.csv', header = TRUE, sep = ',')

attach(kid)

cor.test(height, weight) # 상관 검정

jpeg('06_05.jpg')
plot(height, weight, pch=as.character(gender)) # 그래프 그리기, 점표시는 gender의 문자로
dev.off()

# 예6.5 : bubble plot 그리기, girth 값에 따라 원의 크기를 다르게 표시

data(trees)
attach(trees)
N = nrow(trees)
jpeg('06_06.jpg')
with(trees, {
symbols(Height, Volume, circles = Girth/16, inches = FALSE, bg = 1:N, main = 'bubble plot')
palette('default')
})
dev.off()

프로그램 결과

> # R을 이용한 통계 프로그래밍 기초
>
> # 6장 이변량 데이터
>
> # 6.1 범주형 데이터의 이원분할표
>
> x = matrix(c(54,3,7,12), nrow = 2) # 행렬 만들기
Warning messages:
1: Unable to open printer
2: opening device failed
>
> rbind(c(54,7), c(3,12)) # 행으로 붙이기
[,1] [,2]
[1,] 54 7
[2,] 3 12
>
> cbind(c(54,3), c(7,12)) # 열로 붙이기
[,1] [,2]
[1,] 54 7
[2,] 3 12
>
> rownames(x) = c("p.buckled", "p.unbuckled")
> colnames(x) = c("c.buckled", "c.unbuckled")
>
> x
c.buckled c.unbuckled
p.buckled 54 7
p.unbuckled 3 12
>
> margin.table(x, 1) # 1 = 행을 기준으로 주변 분포
p.buckled p.unbuckled
61 15
> margin.table(x, 2) # 2 = 열을 기준으로 주변 분포
c.buckled c.unbuckled
57 19
>
> rowSums(x) # 행의 합을 구하기
p.buckled p.unbuckled
61 15
> colSums(x) # 열의 합을 구하기
c.buckled c.unbuckled
57 19
>
> addmargins(x) # 원래 행렬에 주변분포를 포함하기
c.buckled c.unbuckled Sum
p.buckled 54 7 61
p.unbuckled 3 12 15
Sum 57 19 76
>
> prop.table(x) # 도수에 대한 비율 구하기
c.buckled c.unbuckled
p.buckled 0.71052632 0.09210526
p.unbuckled 0.03947368 0.15789474
>
> jpeg("06_01.jpg")
> op = par(mfrow = c(1,2))
> barplot(x, main = "child seat-belt usage") # 막대그래프
> barplot(x, main = "child seat-belt usage", legend = TRUE, beside = TRUE) # 막대그래프
> par(op)
> dev.off()
windows
2
>

> # 예6.1
> nico = read.table(file = "table_6_2.txt", header = TRUE) # 자료 읽기
>
> y = table(nico$nicotin, nico$stopsmoke) # 빈도수 구하기
> prop.table(y) # 비율 구하기

N Y
N 0.4 0.1
Y 0.2 0.3
>
> # 6.2 상관계수
>
> # 예 6.2
>
> blood <- read.table('table_6_3.csv', header = TRUE, sep = ',')
> attach(blood)

> rowMeans(blood[,2:3]) # 행의 평균 구하기
[1] 70.0 83.0 91.5 103.0 94.5 84.0 80.0 72.0 106.5 88.5 86.0 64.0
[13] 71.5 85.5 96.5
> colMeans(blood[,2:3]) # 열의 평균 구하기
machine expert
85.6 84.6
> cor(machine, expert) # machine과 expert의 Pearson 상관계수 구하기
[1] 0.90686
>
> jpeg("06_02.jpg")
> plot(machine, expert, main = 'blood pressure measurement')
> dev.off()
windows
2
>

> jpeg("06_03.jpg")
> op = par(mfrow=c(1,2)) # 1행 2열의 그래프
> boxplot(machine, expert, names = c('machine','expert')) # machine과 expert의 boxplot
> plot(density(machine), ylim = c(0,0.04), main = 'density plot')
> lines(density(expert), lty = 2)
> par(op) # 그래프 끝
> dev.off()
windows
2
>

> cor(machine, expert, method = 'spearman') # Spearman의 순위상관계수
[1] 0.8878956
> cor.test(machine, expert) # 상관 검정

Pearson's product-moment correlation

data: machine and expert
t = 7.7586, df = 13, p-value = 3.122e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7369457 0.9689817
sample estimates:
cor
0.90686

>
> # 예 6.3 : 산점도에 주변분포 히스토그램 그리기
>
> x <- machine
> y <- expert
>
> zones <- matrix(c(2,0,1,3), ncol = 2, byrow = TRUE)
> zones
[,1] [,2]
[1,] 2 0
[2,] 1 3
> layout(zones, width=c(2/3, 1/3), height=c(1/3, 2/3))
> xhist <- hist(x, plot = FALSE)
> yhist <- hist(y, plot = FALSE)
> xhist
$breaks
[1] 60 70 80 90 100 110

$counts
[1] 2 4 3 4 2

$intensities
[1] 0.01333333 0.02666667 0.02000000 0.02666667 0.01333333

$density
[1] 0.01333333 0.02666667 0.02000000 0.02666667 0.01333333

$mids
[1] 65 75 85 95 105

$xname
[1] "x"

$equidist
[1] TRUE

attr(,"class")
[1] "histogram"
> yhist
$breaks
[1] 60 70 80 90 100 110

$counts
[1] 3 1 7 3 1

$intensities
[1] 0.019999996 0.006666667 0.046666667 0.020000000 0.006666667

$density
[1] 0.019999996 0.006666667 0.046666667 0.020000000 0.006666667

$mids
[1] 65 75 85 95 105

$xname
[1] "y"

$equidist
[1] TRUE

attr(,"class")
[1] "histogram"
>
> top <- max(c(xhist$counts, yhist$counts))
> xrange = c(min(x), max(x))
> yrange = c(min(y), max(y))
> par(mar=c(6,6,1,1))
> plot(x,y, xlim=xrange, ylim=yrange)
> par(mar=c(0,6,1,1))
> barplot(xhist$counts, axes=FALSE, ylim=c(0,top), space=0, col='green')
> title("Scatterplot with marginal histogram")
> par(mar=c(6,0,1,1))
> barplot(yhist$counts, axes=FALSE, xlim=c(0,top), space=0, horiz=TRUE, col='yellow')
>

> # 예 6.4 - 신체 데이터에 대한 Pearson 상관계수와 산점도
>
> kid = read.table('table_6_4.csv', header = TRUE, sep = ',')
>
> attach(kid)

>
> cor.test(height, weight) # 상관 검정

Pearson's product-moment correlation

data: height and weight
t = 5.6933, df = 13, p-value = 7.375e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5863134 0.9471791
sample estimates:
cor
0.8448334

>
> jpeg('06_05.jpg')
> plot(height, weight, pch=as.character(gender)) # 그래프 그리기, 점표시는 gender의 문자로
> dev.off()
windows
2
>

>
>
> # 예6.5 : bubble plot 그리기, girth 값에 따라 원의 크기를 다르게 표시
>
> data(trees)
> attach(trees)

> N = nrow(trees)
> jpeg('06_06.jpg')
> with(trees, {
+ symbols(Height, Volume, circles = Girth/16, inches = FALSE, bg = 1:N, main = 'bubble plot')
+ palette('default')
+ })
> dev.off()
windows
2
>

>
>