Hierarkisk klustring: Förberedelse inför utforskning

Du har nu skapat en möjlig klustring av oes-data. Innan du kan utforska klustren med ggplot2 behöver du omvandla oes-datamatrisen till en välstrukturerad dataram där varje yrke tilldelats sitt kluster.

Den här övningen är en del av kursen

Klusteranalys i R

Visa kurs

Övningsinstruktioner

Skapa dataramen df_oes från oes-datamatrisen och se till att radnamnen sparas som en kolumn (använd rownames_to_column() från biblioteket tibble).
Bygg klustertilldelningsvektorn cut_oes med hjälp av cutree() och sätt h = 100,000.
Lägg till klustertilldelningarna som en kolumn med namnet cluster i dataramen df_oes och spara resultatet i en ny dataram kallad clust_oes.
Använd funktionen pivot_longer() från biblioteket tidyr() för att omforma data till ett format som lämpar sig för analys med ggplot2, och spara den omformade dataramen som gathered_oes.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

dist_oes <- dist(oes, method = 'euclidean')
hc_oes <- hclust(dist_oes, method = 'average')

library(tibble)
library(tidyr)

# Use rownames_to_column to move the rownames into a column of the data frame
df_oes <- rownames_to_column(as.data.frame(___), var = 'occupation')

# Create a cluster assignment vector at h = 100,000
cut_oes <- cutree(___, h = ___)

# Generate the segmented oes data frame
clust_oes <- mutate(___, cluster = ___)

# Create a tidy data frame by gathering the year and values into two columns
gathered_oes <- pivot_longer(data = ___, 
                       cols = -c(occupation, cluster),
                       names_to = "year",               
                       values_to = "mean_salary" )

Redigera och kör kod