Spam și num_char

Există o asociere între spam și lungimea unui e-mail? Poți imagina argumente în ambele sensuri:

Spam-ul e mai probabil să fie un mesaj scurt care mă îndeamnă să dau clic pe un link, sau
E-mailurile mele obișnuite sunt probabil mai scurte, deoarece schimb mesaje rapide cu prietenii în mod constant.

În acest exercițiu, vei folosi setul de date email pentru a clarifica această întrebare. Începe prin a deschide fișierul de ajutor și a afla despre toate variabilele cu ?email.

Pe măsură ce explorezi asocierea dintre spam și lungimea unui e-mail, folosește această ocazie pentru a exersa legarea unui lanț dplyr cu straturile unui obiect ggplot2.

Acest exercițiu face parte din cursul

Exploratory Data Analysis în R

Vezi cursul

Instrucțiuni pentru exercițiu

Folosind setul de date email

Încarcă pachetele ggplot2, dplyr și openintro.
Calculează măsurile potrivite ale centrului și dispersiei pentru num_char, separat pentru spam și non-spam, folosind group_by() și summarize(). Nu este necesar să denumești coloanele noi create de summarize().
Construiește diagrame box-plot alăturate pentru a vizualiza asocierea dintre aceleași două variabile. Va fi util să folosești mutate() pentru a crea o nouă coloană cu o versiune transformată logaritmic a lui num_char.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Load packages




# Compute summary statistics
email %>%
  ___ %>%
  ___

# Create plot
email %>%
  mutate(log_num_char = ___) %>%
  ggplot(aes(x = ___, y = log_num_char)) +
  ___

Editează și rulează codul