Análise de Big Data - Visualização de Dados

Para entender os dados, geralmente é útil visualizá-los. Normalmente, em aplicativos de Big Data, o interesse reside em encontrar insights, em vez de apenas fazer gráficos bonitos. A seguir estão exemplos de diferentes abordagens para compreender os dados usando gráficos.

Para começar a analisar os dados dos voos, podemos começar verificando se existem correlações entre as variáveis ​​numéricas. Este código também está disponível embda/part1/data_visualization/data_visualization.R Arquivo.

# Install the package corrplot by running
install.packages('corrplot')  

# then load the library 
library(corrplot)  

# Load the following libraries  
library(nycflights13) 
library(ggplot2) 
library(data.table) 
library(reshape2)  

# We will continue working with the flights data 
DT <- as.data.table(flights)  
head(DT) # take a look  

# We select the numeric variables after inspecting the first rows. 
numeric_variables = c('dep_time', 'dep_delay',  
   'arr_time', 'arr_delay', 'air_time', 'distance')

# Select numeric variables from the DT data.table 
dt_num = DT[, numeric_variables, with = FALSE]  

# Compute the correlation matrix of dt_num 
cor_mat = cor(dt_num, use = "complete.obs")  

print(cor_mat) 
### Here is the correlation matrix 
#              dep_time   dep_delay   arr_time   arr_delay    air_time    distance 
# dep_time   1.00000000  0.25961272 0.66250900  0.23230573 -0.01461948 -0.01413373 
# dep_delay  0.25961272  1.00000000 0.02942101  0.91480276 -0.02240508 -0.02168090 
# arr_time   0.66250900  0.02942101 1.00000000  0.02448214  0.05429603  0.04718917 
# arr_delay  0.23230573  0.91480276 0.02448214  1.00000000 -0.03529709 -0.06186776 
# air_time  -0.01461948 -0.02240508 0.05429603 -0.03529709  1.00000000  0.99064965 
# distance  -0.01413373 -0.02168090 0.04718917 -0.06186776  0.99064965  1.00000000  

# We can display it visually to get a better understanding of the data 
corrplot.mixed(cor_mat, lower = "circle", upper = "ellipse")  

# save it to disk 
png('corrplot.png') 
print(corrplot.mixed(cor_mat, lower = "circle", upper = "ellipse")) 
dev.off()

Este código gera a seguinte visualização da matriz de correlação -

Podemos ver no gráfico que há uma forte correlação entre algumas das variáveis ​​no conjunto de dados. Por exemplo, o atraso na chegada e o atraso na partida parecem estar altamente correlacionados. Podemos ver isso porque a elipse mostra uma relação quase linear entre as duas variáveis, no entanto, não é simples encontrar a causalidade a partir desse resultado.

Não podemos dizer que, como duas variáveis ​​estão correlacionadas, uma tem efeito sobre a outra. Também encontramos no gráfico uma forte correlação entre o tempo de ar e a distância, o que é bastante razoável de se esperar, pois com mais distância, o tempo de vôo deve aumentar.

Também podemos fazer análises univariadas dos dados. Uma maneira simples e eficaz de visualizar as distribuições sãobox-plots. O código a seguir demonstra como produzir gráficos de caixa e gráficos de treliça usando a biblioteca ggplot2. Este código também está disponível embda/part1/data_visualization/boxplots.R Arquivo.

source('data_visualization.R') 
### Analyzing Distributions using box-plots  
# The following shows the distance as a function of the carrier 

p = ggplot(DT, aes(x = carrier, y = distance, fill = carrier)) + # Define the carrier 
   in the x axis and distance in the y axis 
   geom_box-plot() + # Use the box-plot geom 
   theme_bw() + # Leave a white background - More in line with tufte's 
      principles than the default 
   guides(fill = FALSE) + # Remove legend 
   labs(list(title = 'Distance as a function of carrier', # Add labels 
      x = 'Carrier', y = 'Distance')) 
p   
# Save to disk 
png(‘boxplot_carrier.png’) 
print(p) 
dev.off()   

# Let's add now another variable, the month of each flight 
# We will be using facet_wrap for this 
p = ggplot(DT, aes(carrier, distance, fill = carrier)) + 
   geom_box-plot() + 
   theme_bw() + 
   guides(fill = FALSE) +  
   facet_wrap(~month) + # This creates the trellis plot with the by month variable
   labs(list(title = 'Distance as a function of carrier by month', 
      x = 'Carrier', y = 'Distance')) 
p   
# The plot shows there aren't clear differences between distance in different months  

# Save to disk 
png('boxplot_carrier_by_month.png') 
print(p) 
dev.off()