R可视化分析美国的肥胖症,嘿!
邬书豪,车联网数据挖掘工程师 ,R语言中文社区专栏作者。微信ID:wsh137552775
知乎专栏:https://www.zhihu.com/people/wu-shu-hao-67/activities
往期回顾
kaggle案例:数据科学社区调查报告(附学习视频)
kaggle案例:员工离职预测(附学习视频)
Kaggle案例~R可视化分析美国枪击案(附数据集和代码)
kaggle:R可视化分析金拱门餐厅食物营养性(二)
kaggle:R可视化分析金拱门餐厅食物营养性(一)
本文章的主要目的是想研究美国成年人、儿童以及青少年中肥胖人口最多的州。其次展示如何在R中使用rvest包从HTML页面中抓取数据、以及使用ggplot绘制地图。
使用R去做项目的时候,经常会用到R社区的成员开发的程序包,为我们的数据重塑、特征选择以及后续建模等提供了一些列的方便。话不多说,先感谢一波......
首先呢,我们就加载后续将要用到的程序包,为后续的探索分析提供方便。
## 加载相关程序包
require(rvest)
require(ggplot2)
require(dplyr)
require(scales)
require(maps)
library(magrittr)
这次呢,我们所使用的数据是从网页上爬取的。复制代码中的链接,粘贴到搜索引擎就可以看到我们所需要的数据。如下图(展示了一部分我们需要爬取的数据):
## 从网页上爬取数据
url <- "https://en.wikipedia.org/wiki/Obesity_in_the_United_States"
obesity <- read_html(url)
obesity %<>%
html_nodes(xpath = '//*[@id="mw-content-text"]/div/ table[2]') %>%
.[[1]] %>%
html_table(fill = T)
str(obesity) # 查看数据集的基本数据结构
通过str函数对数据结构的一个简单探索,发现数据需要清洗。比如说,变量名需要规整、有部分样本需要剔除。我们首先对数据变量进行重命名,便于清晰的去理解变量的含义。对列名进行重命名函数最常见的就是base包里面的names函数和colnames函数,使用rownames函数可以对行名进行修改。咱们的数据量是比较小的,所以呢,可以直接通过人工的浏览剔除那些不规整的数据。
## 数据预处理
# 剔除不规整数据+重命名
obesity <- obesity[-c(3, 13, 38, 43, 51), -3] # 剔除不规整数据
names(obesity) <- c('State and District of Columbia', 'Obese adults',
'Overweight (incl. obese) adults',
'Obese children and adolescents',
'Obesity rank')
str(obesity) # 查看数据集的基本数据结构
经过上面的部分清洗后,发现数据中的“%”可以剔除,因为后面我们需要使用数值型数据进行绘图。下面我们使用gsub函数对自定义的字符串进行替换。需要注意的是:字符串替换之后,依旧是字符串的形式,所以需要使用as.numeric函数将其转换为数值型数据。
## 数据预处理
# 去除“%”+ 转换数据类型
for(i in 2:5){
obesity[,i] = gsub("%", "", obesity[,i])
obesity[,i] = as.numeric(obesity[,i])
}
str(obesity)
在R里面,数据的变量名必须得规整,否则会对后续的使用带来不必要的影响,最常用的就是使用make.name函数。常见的不规整变量名有全部是数字的变量名,变量名中出现空格...
## 规范列名
names(obesity)
names(obesity) <- make.names(names(obesity))
names(obesity)
经过上述数据的清洗,我们已经得到了我们后面探索分析所需要的规整的数据,下面我们就开始对美国各地区的肥胖者占比进行探索其分布。
## 探索成年人肥胖症占比最高的前十个地区
# 将“State.and.District.of.Columbia”列转换为小写
obesity$region <- tolower(obesity$State.and.District.of.Columbia)
states <- map_data("state") # 获取美国地图数据
states <- merge(states, obesity, by = "region", all.x = T) # 按‘region’列合并数据## 按地区统计成年人肥胖症占比,并降序排列选取前十位
topstate <-
states %>%
group_by(region) %>%
summarise(Obese.adults = mean(Obese.adults)) %>%
arrange(desc(Obese.adults)) %>%
top_n(10)## 绘制条形图
ggplot(topstate, aes(x = reorder(region, Obese.adults), y = Obese.adults)) +
geom_bar(stat = 'identity', color = "black", fill = "#87CEEB") +
labs(x = "Top 10 States", y = "Percentage of Obese Adults") +
coord_flip() +
theme_minimal()
通过上面的美国肥胖成年人占比条形图的展示,我们可以看出,密西西比州的成年肥胖者最多,占比将近35%(太可怕了,三人行,必有”胖子“焉!),其次就是西维吉尼亚州、阿拉巴马州、路易斯安那州......正因为这样呢,美国密西西比州早在2008年,就通过了一个很神奇的法案——《禁止持该州营业执照的餐馆向肥胖人士供应食物》。我猜,这个法案当时引起了不少人的反对吧。
从上面的条形图中,我们可以清晰的看到美国肥胖占比较高的十个地区。下面呢,我们绘制一张美国地图来展示美国各地区的肥胖占比率。
## 可视化美国地图上成年人肥胖症占比分布
ggplot(states, aes(x = long, y = lat, group = group, fill = Obese.adults)) +
geom_polygon(color = "white", show.legend = T) +
scale_fill_gradient(name = "Percent", low = "#FAB8D2", high = "#F91C74", guide = "colorbar", na.value = "black", breaks = pretty_breaks(n = 5)) +
labs(title = "Obesity in Adults for USA", x = "Longitude", y = "Latitude") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, size = 16)) +
geom_text(data = statenames, aes(x = long, y = lat, label = region), size = 3)
显而易见,在这幅地图中,最”红“的地区也就是肥胖的成年人占比最多的地区。整体而言呢,美国中部肥胖的成年人占比较多、西部和东南部/东北部较小。
接下来,我们对青少年和儿童肥胖者占比做一个统计。依旧是先绘制条形图去查看肥胖占比较多的前十五个地区,再者就是绘制地区去查看分布趋势。
## 探索青年和儿童肥胖症占比最高的前十五个地区
## 按地区统计青年和儿童肥胖症占比,并降序排列选取前十五位
topChild <-
states %>%
group_by(region) %>%
summarise(Obese.Child.and.Teens = mean(Obese.children.and.adolescents)) %>%
top_n(15)## 绘制条形图
ggplot(topChild, aes(x = reorder(region, Obese.Child.and.Teens),
y = Obese.Child.and.Teens)) +
geom_col(color = "black", fill = "#87CEEB", alpha = 0.8) +
labs(x = 'Top 15 States', y = 'Percentage of Obese Child and Teens') +
coord_flip() +
theme_minimal()
从条形图中可以看到,青少年和儿童肥胖者占比较高的前三个地区分别是:特拉华州、西维吉尼亚州和肯塔基州。密西西比州肥胖的青少年和儿童排名第八,不像成年肥胖者一样,遥居第一!
## 可视化美国地图上青年和儿童肥胖症占比分布
ggplot(states, aes(x = long, y = lat, group = group, fill = Obese.children.and.adolescents)) +
geom_polygon(color = "white") +
scale_fill_gradient(name = "Percent Obese", low = "#B8D5EC",
high = "#0A4B7D", guide = "colorbar", na.value = "black",
breaks = pretty_breaks(n = 5)) +
labs(title = "Obesity in Children and Teens", x = "Longitude",y = "latitude") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, size = 16)) +
geom_text(data = statenames, aes(x = long, y = lat, label = region), size = 3)
从地图中看得出来,东南部地区肥胖的青少年和儿童占比较高,西北部较低。
到这里,我们对于美国成年人、青少年和儿童的肥胖占比的探索也就结束了。至于都有什么原因导致的美国的肥胖如此严重,成年人、青年人和儿童肥胖者分布区域有并不完全一致,有待有兴趣的大家去查阅相关资料啦......
2017年R语言发展报告(国内)
R语言中文社区历史文章整理(作者篇)
R语言中文社区历史文章整理(类型篇)
相关课程推荐
Kaggle十大案例精讲课程(连载中)
☟☟☟ 猛戳阅读原文,即刻加入课程。
R可视化分析美国的肥胖症,嘿!相关推荐
- R语言ggplot2可视化:使用pracma包的interp1函数对缺失值进行线性插值后进行可视化分析、用虚线标记进行数据填充的区域
R语言ggplot2可视化:使用pracma包的interp1函数对缺失值进行线性插值后进行可视化分析.用虚线标记进行数据填充的区域 目录
- R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战 目录 R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
- R获取股票数据并进行进行可视化分析
R获取股票数据并进行进行可视化分析 # 加载依赖的包 library(quantmod) library(ggplot2) library(magrittr) library(broom) # 设置计 ...
- r语言折线图_R语言做多变量可视化分析?
笔者邀请您,先思考: 1 什么是多变量可视化分析? 2 多变量的常用可视化图形有哪些?适合在什么场景下应用 (需要内推数据工作,请加微信:luqin360) 多变量可视化分析是一种利用可视化手段探索多 ...
- 【视频】主成分分析PCA降维方法和R语言分析葡萄酒可视化实例|数据分享
最近我们被客户要求撰写关于主成分分析PCA的研究报告,包括一些图形和统计输出.降维技术之一是主成分分析 (PCA) 算法,该算法将可能相关变量的一组观察值转换为一组线性不相关变量.在本文中,我们将讨论 ...
- R语言生存分析可视化分析
生存分析指的是一系列用来探究所感兴趣的事件的发生的时间的统计方法. 生存分析被用于各种领域,例如: 癌症研究为患者生存时间分析, "事件历史分析"的社会学 在工程的"故障 ...
- 【R代码 (葡萄酒)及其可视化分析 #随机森林-支持向量机】
在 R代码 (葡萄酒)及其可视化分析 #随机森林-支持向量机 library(ggplot2)#绘图工具 library(tidyverse)#ggplot2/dplyr等万能包 read.csv(& ...
- Python数据分析实战,,美国总统大选数据可视化分析[基于pandas]
目录 前言 一.任务详情 二.数据集来源 三.实现过程 四.运行代码 前言 在学习Python数据分析的过程中,是离不开实战的. 今天跟大家带来数据分析可视化经典项目,美国总统大选数据可视化分析,希望 ...
- R语言辅导高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
降低维度有两个主要用例:数据探索和机器学习.它对于数据探索很有用,因为维数减少到几个维度(例如2或3维)允许可视化样本.然后可以使用这种可视化来从数据获得见解(例如,检测聚类并识别异常值).对于机器学 ...
- 基于pyecharts的Kline以及pandas对美国标准普尔500指数历史数据(SP500)进行数据可视化分析
基于pyecharts的Kline以及pandas对美国标准普尔500指数历史数据(SP500)进行数据可视化分析 k线图简述 对股票数据的描述,我们最常用的还是k线图,k线图包含四个数据,即开盘价. ...
最新文章
- SQL Server 数据库表的统计信息的更新
- php fopen 错误,php fopen函数失败怎么办
- ITK:VTK图像到ITK图像
- HTML+CSS的学习
- Python的可变类型与不可变类型
- 《Advanced .NET Debugging》 读书笔记 Listing 3-2: 如何查看程序的PID
- php如何新建xml文件,PHP新建XML打开XML读取XML怎么写
- 45 | 打蛇打七寸:精准测试
- go Windows Service
- 002-Go通过ioutil 读写文件
- javascript 面向对象的理解、数据属性的特征,基本数据类型、三大引用类型,方法
- studio one 3 机架声道设置_Lenovo UC30 声卡驱动跳线VST机架跳线
- Git学习笔记之廖雪峰Git教程
- 模糊综合评价法——解决评价指标模糊、难以量化的问题
- 厉害了,竟有程序员在GitHub上建了一个新华词典数据库
- MAC电脑外设键盘如何更改command为control键MAC电脑外设键盘如何更改command为control键...
- PC端滚动加载更多的实现方法
- 【小萝莉说Crash】第二期:Unrecognized selector xxx 之 ForwardInvocation
- 盘点那些免费视频网址到底有多爽
- 全球值得关注的11家人脸识别公司与机构