[Web,2006]InteractiveandDynamicGraphicsforDataAnalysis-WithExamplesUsingRandGGobi.pdf资源-CSDN文库

R统计语言

数据分析

5星 · 超过95%的资源需积分: 15 6 浏览量 2010-04-26 10:46:30 上传评论 1 收藏 17.68MB PDF 举报

资源推荐

资源详情

资源评论

“book”

2006/6/15

page I

Interactive and Dynamic

Graphics for Data Analysis

With Examples Using R and GGobi

Dianne Cook Deborah F. Swayne Andreas Buja

with contributions from Duncan Temple Lang and Heike Hofmann

Hofmann

DRAFT

“book”

2006/6/15

page III

Contents

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Data Visualization: Beyond the Third Dimension . . . . . . . . . . . . 1

1.2 Statistical Data Visualization: Goals and History . . . . . . . . . . . . 3

1.3 Getting Down to Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.4 Getting Real: Process and Caveats . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.5 Interactive Investigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.6 What’s in this b ook? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 The Toolbox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 Plot types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.1 Univariate plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.2 Bivariate plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.2.3 Multivariate plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.2.4 Real-valued and categorical variables plotted together . . 34

2.2.5 Multiple views . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.3 Direct manipulation on plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.3.1 Brushing and painting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.3.2 Identiﬁcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.3.3 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.3.4 Adding/deleting/moving points and drawing lines . . . . . 40

2.3.5 Rearranging layout in multiple views . . . . . . . . . . . . . . . . . 40

2.3.6 Subset selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.4 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3 Missing Values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2 Exploring missingness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.2.1 Getting started: plots with missings in the “margins” . . 45

3.2.2 A limitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.3 Imputation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

“book”

2006/6/15

page IV

IV Contents

3.3.1 Shadow matrix: The missing values data set . . . . . . . . . . 48

3.3.2 Examining Imputation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.3.3 Random values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.3.4 Mean values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.3.5 From external sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.4 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4 Supervised Classiﬁcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.1.1 Classical Multivariate Statistics . . . . . . . . . . . . . . . . . . . . . 58

4.1.2 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.1.3 Studying the Fit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.2 Purely Graphics: Getting a Picture of the Class Structure . . . . 63

4.2.1 Overview of Olive Oils Data . . . . . . . . . . . . . . . . . . . . . . . . 64

4.2.2 Classifying Three Regions . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.2.3 Separating Nine Areas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.3 Numerical Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

4.3.1 Linear discriminant analysis . . . . . . . . . . . . . . . . . . . . . . . . 69

4.3.2 Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.3.3 Random Forests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.3.4 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.3.5 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.3.6 Examining boundaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.4 Deduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

5 Cluster Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5.2 Purely graphics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

5.3 Numerical methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.3.1 Hierarchical algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.3.2 Model-based clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

5.3.3 Self-organizing maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

5.3.4 Comparing methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

5.4 Recap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

5.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

6 Exploratory Multivariate Spatio-temporal Data Analysis . . 113

6.1 Spatial Oddities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

6.2 Space-time trends . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

6.3 Multivariate relationships . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

6.4 Multivariate spatial trends . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

“book”

2006/6/15

page V

Contents V

7 Longitudinal Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

7.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

7.2 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

7.3 More Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

7.4 Mean Trends. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

7.5 Individuals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7.5.1 Example 1: Wages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

8 Microarray Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

8.1 Two-Factor, Single Replicate Data . . . . . . . . . . . . . . . . . . . . . . . . . 140

8.1.1 Data description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

8.1.2 Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

8.1.3 Incorporating numerical analysis . . . . . . . . . . . . . . . . . . . . 147

8.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

9 Inference for Data Visualization . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

9.1 Really There? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

9.2 The Process of Assessing Signiﬁcance . . . . . . . . . . . . . . . . . . . . . . 157

9.3 Types of Null Hypotheses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

9.4 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

9.4.1 Tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

9.4.2 Particle physics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

9.4.3 Baker data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

9.4.4 Wages data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

9.4.5 Leukemia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

9.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

Data Sets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

10.1 Arabidopsis Gene Expression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

10.2 Australian Crabs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

10.3 Flea Beetles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

10.4 Insect Populations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

10.5 Italian Olive Oils . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

10.6 Iowa Youth and Families Project (IYFP) . . . . . . . . . . . . . . . . . . . 170

10.7 Leukemia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

10.8 Panel Study of Income Dynamics(PSID) . . . . . . . . . . . . . . . . . . . . 171

10.9 PRIM7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

10.10Rat Gene Expression. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

10.11Soils . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

10.12Spam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

10.13Tropical Atmosphere-Ocean Array . . . . . . . . . . . . . . . . . . . . . . . . . 175

10.14Tipping Behavior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

10.15Wages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

剩余168页未读，继续阅读

评论收藏

内容反馈

wjq332608421

2015-06-08

谢谢分享。非常好的书
starpirate

2015-12-02

R语言完整图形化演示，太cool，正好是我要的书
sdfasdfasdfasdfasdfs

2015-02-19

此资源不错可以用
mogudeng

2015-01-03

英文的，R语言完整图形化展示说明。
bubulus

2014-08-12

这类资源非常少很不错纯英文看起来稍微费尽

前往

页

pengshanglian

粉丝: 1
资源: 20

[Web, 2006] Interactive and Dynamic Graphics for Data Analysis- ...

最新资源

[Web, 2006] Interactive and Dynamic Graphics for Data Analysis- ...

ggobi 参考手册

Good-Habits-for-Great-Coding-Improving-Programming-Skills-with-Examples-in-Python.pdf.pdf

Mastering-Probabilistic-Graphical-Models-Using-Python-Master-probabilistic-graphical-models-by-learning-through-real-wor ....pdf

Time_Series_Analysis_and_its_Applications_with_R_Examples_4th_ed

Doing Bayesian Data Analysis - A Tutorial with R and BUGS

Data Analysis and Graphics with R-Manning Publications (2015)

Practical Web Scraping for Data Science Best Practices and Examples with epub

Pro.Spark.Streaming.The.Zen.of.Real-Time.Analytics.Using.Apache.Spark.1484

XML and Web Technologies for Data Sciences with R

Python for Data Analysis 2nd Edition pdf

Ajax-advanced-web-developer-bootcamp-notes-examples-and-exercises.zip

Python: End-to-end Data Analysis.azw3电子书下载

Oracle Application Express: Build Powerful Data-Centric Web Apps with APEX

js(JavaScriptProgrammer’sReference.pdf、javaScriopt.Examples.Bible.pdf javaScript2005-wrox-professional Javascript For Web Developers.pdf)

Hands-On Data Structures and Algorithms with Rust.epub

Pro-Deep-Learning-with-TensorFlow.pdf

Ansible-book-and-video-code-examples.zip

Learn Data Analysis with Python 英文原版

Data Visualisation with R_100 Examples-Springer(2017).pdf

data-management-in-action-108753.pdf

基于Python爬虫实现天气预报和数据可视化分析，应付数据分析大作业

EDA探索式数据分析案例数据集

Python数据分析项目实践，包括数据读取、评估、清洗、分析、可视化机器学习相关内容等

5-8抖音数据分析数据集

Python数据分析与可视化大作业 + 源代码 + 数据 + 详细文档

python数据分析大作业-爬虫、建立模型、可视化、结论分析

origin2021下载免费分享

统计数模历年优秀论文-全国大学生统计建模大赛

r语言数据分析案例数据分析、数据预测和机器学习案例

最新资源