Big Data Analytics - Exploração de dados

Exploratory data analysisé um conceito desenvolvido por John Tuckey (1977) que consiste em uma nova perspectiva da estatística. A ideia de Tuckey era que na estatística tradicional os dados não eram explorados graficamente, apenas para testar hipóteses. A primeira tentativa de desenvolvimento de uma ferramenta foi feita em Stanford, o projeto foi denominado prim9 . A ferramenta foi capaz de visualizar dados em nove dimensões, portanto, foi capaz de fornecer uma perspectiva multivariada dos dados.

Nos últimos dias, a análise exploratória de dados é obrigatória e foi incluída no ciclo de vida analítico de big data. A capacidade de encontrar insights e comunicá-los com eficácia em uma organização é alimentada por fortes recursos de EDA.

Com base nas ideias de Tuckey, Bell Labs desenvolveu o S programming languagea fim de fornecer uma interface interativa para fazer estatísticas. A ideia do S era fornecer recursos gráficos abrangentes com uma linguagem fácil de usar. No mundo de hoje, no contexto do Big Data,R que é baseado no S linguagem de programação é o software mais popular para análise.

O programa a seguir demonstra o uso da análise exploratória de dados.

A seguir está um exemplo de análise exploratória de dados. Este código também está disponível empart1/eda/exploratory_data_analysis.R Arquivo.

library(nycflights13) 
library(ggplot2) 
library(data.table) 
library(reshape2)  

# Using the code from the previous section 
# This computes the mean arrival and departure delays by carrier. 
DT <- as.data.table(flights) 
mean2 = DT[, list(mean_departure_delay = mean(dep_delay, na.rm = TRUE), 
   mean_arrival_delay = mean(arr_delay, na.rm = TRUE)), 
   by = carrier]  

# In order to plot data in R usign ggplot, it is normally needed to reshape the data 
# We want to have the data in long format for plotting with ggplot 
dt = melt(mean2, id.vars = ’carrier’)  

# Take a look at the first rows 
print(head(dt))  

# Take a look at the help for ?geom_point and geom_line to find similar examples 
# Here we take the carrier code as the x axis 
# the value from the dt data.table goes in the y axis 

# The variable column represents the color 
p = ggplot(dt, aes(x = carrier, y = value, color = variable, group = variable)) +
   geom_point() + # Plots points 
   geom_line() + # Plots lines 
   theme_bw() + # Uses a white background 
   labs(list(title = 'Mean arrival and departure delay by carrier', 
      x = 'Carrier', y = 'Mean delay')) 
print(p)  

# Save the plot to disk 
ggsave('mean_delay_by_carrier.png', p,  
   width = 10.4, height = 5.07)

O código deve produzir uma imagem como a seguinte -