Niveaus samenvoegen
Als het al lastig was om met de sterke scheefheid van exclaim_mess te werken, dan is het aantal afbeeldingen dat aan elke e-mail is toegevoegd (image) nog uitdagender. Voer de volgende code uit in de console om een idee te krijgen van de verdeling:
table(email$image)
Onthoud dat dit het aantal gevallen per categorie optelt (er waren bijvoorbeeld 3811 e-mails met 0 afbeeldingen). Gezien de zeer lage aantallen bij hogere aantallen afbeeldingen, gaan we image samenvoegen tot een categorische variabele die aangeeft of de e-mail ten minste één afbeelding had. In deze oefening maak je deze nieuwe variabele en onderzoek je het verband met spam.
Deze oefening maakt deel uit van de cursus
Exploratory data-analyse in R
Oefeninstructies
Begin met email en maak een aaneengesloten keten die de volgende taken uitvoert:
- Maak een nieuwe variabele
has_imagedieTRUEis als het aantal afbeeldingen groter is dan nul en andersFALSE. - Maak een geschikt plot met
emailom de relatie tussenhas_imageenspamte visualiseren.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create plot of proportion of spam by image
email %>%
mutate(has_image = ___) %>%
ggplot(aes(x = ___, fill = ___)) +
geom_bar(position = ___)