Odpovídáme na otázky pomocí řetězení
Když máš ke konkrétnímu datasetu konkrétní otázku, odpověď na ni najdeš pečlivým sestavením správného řetězce R kódu. Vezmi si třeba tuto otázku: „Jsou e-maily odesílané více lidem obvykle kratší, pokud jde o e-maily, které nejsou spam?"
Odpověď poskytne tento řetězec:
email %>%
filter(spam == "not-spam") %>%
group_by(to_multiple) %>%
summarize(median(num_char))
Z kódu je hned vidět, že délku e-mailu měříš pomocí num_char a jako míru typické hodnoty používáš median(). Po spuštění zjistíš, že odpověď je „ano": typická délka spamů neodeslaných více lidem je o něco nižší než u těch zaslaných více příjemcům.
Tento řetězec skončil souhrnnou statistikou, jiné ale mohou vyústit v graf – záleží vždy na tom, na co hledáš odpověď.
Toto cvičení je součástí kurzu
Exploratory Data Analysis in R
Pokyny k cvičení
Sestav řetězec, který odpoví na každou z následujících otázek – obě se týkají proměnné dollar.
- Obsahují spamové e-maily se slovem „dollar" toto slovo typicky častěji než nespamové e-maily, které ho také obsahují? Vytvoř souhrnnou statistiku, která na tuto otázku odpoví.
- Pokud narazíš na e-mail s více než 10 výskyty slova
dollar, je pravděpodobnější, že jde o spam, nebo ne? Vytvoř sloupcový graf, který na tuto otázku odpoví.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Question 1
email %>%
filter(___) %>%
group_by(___) %>%
summarize(___)
# Question 2
email %>%
filter(___) %>%
ggplot(aes(x = ___)) +
geom_bar()