مثال برنامه‌نویسی R: تحلیل داده‌های Iris

در این بخش، یک مثال کاربردی از تحلیل داده‌ها با استفاده از مجموعه داده معروف Iris ارائه می‌دهیم. مجموعه داده Iris شامل اطلاعات مربوط به سه گونه گل (Setosa، Versicolor، و Virginica) است که هر کدام با چهار ویژگی اندازه‌گیری شده‌اند: طول کاسبرگ (Sepal Length)، عرض کاسبرگ (Sepal Width)، طول گلبرگ (Petal Length)، و عرض گلبرگ (Petal Width). این مثال به شما نشان می‌دهد که چگونه می‌توانید داده‌ها را بارگذاری کنید، تحلیل اولیه انجام دهید، و نتایج را به صورت بصری نمایش دهید.

مرحله ۱: بارگذاری داده‌ها

اولین قدم در هر پروژه تحلیل داده، بارگذاری داده‌ها است. خوشبختانه، مجموعه داده Iris به صورت پیش‌فرض در R موجود است و نیازی به دانلود جداگانه ندارد. کد زیر داده‌ها را بارگذاری کرده و شش ردیف اول آن را نمایش می‌دهد:

    # Load Iris data
    data(iris)
    
    # show the first 6 rows of data
    head(iris)
            

با اجرای این کد، خروجی شامل ستون‌های Sepal.Length، Sepal.Width، Petal.Length، Petal.Width، و Species خواهد بود. این داده‌ها به ما اطلاعات اولیه‌ای در مورد ساختار مجموعه داده می‌دهند.

مرحله ۲: تحلیل اولیه داده‌ها

پس از بارگذاری داده‌ها، باید یک دید کلی از آن‌ها به دست آوریم. تابع summary در R به ما کمک می‌کند تا آمارهای توصیفی مانند میانگین، میانه، کمینه، و بیشینه را برای هر ستون عددی ببینیم. کد زیر این کار را انجام می‌دهد:

    # view summary of the data
    summary(iris)
            

خروجی این تابع نشان می‌دهد که به عنوان مثال، میانگین طول گلبرگ (Petal.Length) چقدر است و گونه‌های مختلف چند نمونه دارند. این اطلاعات برای درک بهتر داده‌ها و تصمیم‌گیری در مورد مراحل بعدی تحلیل بسیار مفید است.

مرحله ۳: مصورسازی داده‌ها

یکی از نقاط قوت R، توانایی آن در مصورسازی داده‌ها است. در اینجا، یک نمودار پراکندگی (Scatter Plot) رسم می‌کنیم تا رابطه بین طول گلبرگ (Petal Length) و عرض گلبرگ (Petal Width) را بررسی کنیم. همچنین، با استفاده از رنگ‌ها، گونه‌های مختلف را از هم متمایز می‌کنیم:

    # plot scattering view of the data
    plot(iris$Petal.Length, iris$Petal.Width, 
         col=iris$Species, 
         pch=19, 
         xlab="(Petal Length)", 
         ylab="(Petal Width)", 
         main="relation between petal length and petal width Iris")
            

در این کد:

• iris$Petal.Length و iris$Petal.Width: محورهای x و y نمودار هستند.
• col=iris$Species: رنگ نقاط را بر اساس گونه‌ها تنظیم می‌کند.
• pch=19: شکل نقاط را به صورت دایره پر مشخص می‌کند.
• xlab و ylab: برچسب محورها را تعیین می‌کنند.
• main: عنوان نمودار را مشخص می‌کند.

این نمودار به ما نشان می‌دهد که گونه‌های مختلف Iris از نظر طول و عرض گلبرگ چگونه از هم جدا می‌شوند. به عنوان مثال، گونه Setosa معمولاً گلبرگ‌های کوچک‌تری دارد، در حالی که Virginica گلبرگ‌های بزرگ‌تری دارد.