13. R정리 (데이터 정제, 그래프 만들기)

7. 데이터 정제 (솎아내기)

결측치(Missing Value)
NA
누락된 값, 비어있는 값
함수 적용 불가, 분석 결과 왜곡
제거 후 분석 실시

① 결측치 생성
변수명 = data.frame(변수명=c("데이터값",NA), 변수명= c(데이터값, NA))
DF명[c(3,8,5), "변수명"] = NA : 3,8,5행의 변수에 NA할당

② 결측치 확인
is.na(변수명) : 결측치 있으면 TRUE, 없으면 FALSE 출력
table(is.na(변수명)) : 결측치 빈도 출력. FALSE(NA가 아닌), TRUE(NA값)의 개수 출력

③ 변수별로 결측치 확인
table(is.na(DF명$변수명)) : 결측치 빈도 출력
* 결측치 포함된 상태로 분석하면 NA값만 나옴

⑤ 결측치 있는 행 제거
library(dplyr) : dplyr 패키지 로드
DF명 %>% filter(is.na(변수명)) : 변수값이 NA인 데이터만 출력
* filter함수 : 참인 것만 수행
DF명 %> filter(!is.na(변수명)) : 변수값의 결측치 제거
DF명=변수명 %>%filter(!is.na(변수명)) mean(DF명$변수명) : 결측치 제거 후 평균 산출

⑥ 여러 변수 동시에 결측치 없는 데이터 추출
DF명=변수명 %>% filter(!is.na(변수명1) & !is.na(DF명$변수명2)) : 변수명1, 변수명2 결측치 제외

⑦ 결측치가 하나라도 있으면 제거
DF명 = na.omit(변수명) : 모든 변수에 결측치 없는 데이터 추출

⑧ 함수로 결측치 제외하기
mean(DF명$변수명, na.rm = T) : 결측치 제외하고 평균 산출

⑨ 평균값으로 대체
mean(DF명$변수명, na.rm=T) : 결측치 제외하고 평균 산출
DF명$변수명 = ifelse(is.na(DF명$변수명), 55, DF명$변수명)) : 변수값이 NA면 55로 대체


이상치
정상범위 기준을 정해서 벗어나면 결측치 처리
논리적 판단 :  ex) 성인 몸무게 40kg~150kg 벗어나면 극단치
통계적 판단 : ex) 상하위 0.3% 극단치 or 상자그림 1.5 IQR 벗어나면 극단치

① 상자그림 출력
DF명 = as.data.frame (DF명$변수명)
boxplot(DF명$변수명)

② 결측 처리하기(ex.12~37 벗어나면 NA할당)
DF명$변수명 = ifelse(DF명$변수명 < 12 | DF명$변수명 >37, NA, DF명$변수명)
table(is.na(DF명$변수명)) : FALSE/TRUE 출력

③ 결측치 제외하고 분석하기
DF명 %>%
group_by(변수명1) %>%
summarise(변수명2 = mean(변수명3, na.ra=T))





8. 그래프 만들기 
R로 표현할 수 있는 그래프 : 2차원/3차원 그래프, 지도 그래프, 네트워크 그래프, 모션 차트, 인터랙티브 그래프
ggplot2 패키지의 레이어 구조
배경설정(축) > 그래프 추가(점, 막대, 선) > 설정 추가 (축 범위, 색 표시)

산점도 그래프
데이터를 x,y축에 점으로 표현한 그래프
연속 값으로 된 두 변수의 관계를 표현할 때 사용 ex) 나이, 소득

① 배경 설정하기
libarary(ggplot)
ggplot(DF명$변수명, aes(x=x축 값 명, y=y축 값 명))

② 그래프 추가하기 (배경에 산점도 추가)
ggplot(DF명$변수명, aes(x=x축 값 명, y=y축 값 명)) + geom_point() : 점으로 된 그래프 종류 표현

③ x축 범위를 조정하는 설정 추가
ggplot(DF명$변수명, aes(x=x축 값 명, y=y축 값 명)) + geom_point() + xlim(3,6) : x축 범위를 3~6으로 지정
ggplot(DF명$변수명, aes(x=x축 값 명, y=y축 값 명)) +
geom_point()
+ xlim(3,6) + ylim(10,30) : x축 범위를 3~6, y축 범위를 10~30으로 지정

* ggplot() vs qplot()
qplot() : 전처리 단계 데이터 확인용. 문법 간단, 기능 단순
ggplot() : 최종 보고용. 색, 크기, 폰트 등 세부 조작 가능



막대 그래프
데이터의 길이를 막대 길이로 표현한 그래프
집단 간 차이를 표현할 때 주로 사용 ex) 성별, 소득차이

평균 막대 그래프(geom_col) : 데이터를 요약한 평균표를 먼저 만든 후 평균표를 이용해 그래프 생성
빈도 막대 그래프(geom_bar) : 별도의 표를 만들지 않고 원자료를 이용해 바로 그래프 생성

① 평균 막대 그래프 만들기 (geom_col)
library(dplyr)

DF명 = 변수명 %>%
group_by(변수명) %>%
summarise(변수명 = mean(변수명))

② 그래프 생성하기
ggplot(data=DF명, aes(x=x축 값 명, y=y축 값 명)) + geom_col()

③ 크기 순으로 정렬하기
ggplot(data=DF명, aes(x=reorder(x축 값 명, -변수명), y=y축 값 명)) + geom_col()

④ 빈도 막대 그래프 (geom_bar)
ggplot(data=변수명, aes(x=x축 값 명)) + geom_bar() : x축이 범주 변수, y축이 빈도