h-elena

> sprintf("%d", 111) #정수 출력
[1] "111"
> sprintf("%5d", 11) #다섯자리 고정
[1] "   11"
> 
> sprintf("%f", 10.111) #실수 출력
[1] "10.111000"
> sprintf("%.3f", 10.111234) #소수점 3자리수까지
[1] "10.111"
> 
> 
> sprintf("%s", "hello") #문자열 출력
[1] "hello"

CA()

Correspondence Analysis

fviz_ca_row()

fviz_ca_col()

fviz_ca_biplot() - row&col

fviz_ca()

fviz_pca

주요 변수 분석 그리기

옵션

repel - boolean, text labels의 overplotting을 피하기 위해 ggrepel을 사용할지 말지의 여부

col.var - 변수 색

%*% 매트릭스 곱

predict()

lm(), glm() 같은 명령문으로 얻어낸 회귀선으로 주어진 x 값에 해당하는 새로운 y 값을 predict하는 command

predict(model, newdata=A, interval=c("confidence", "prediction"), ...)

model - 예측에 사용할 회귀분석 결과식

newdata=A - 예측에 사용할 x값, 지정하지 않을 시 1~45 정수값에 대한 예측값 출력

interval - 지정된 x 값에 대한 y의 confidence interval or prediction interval을 출력

주성분 분석

많은 변수에 대해서 주성분이라는 새로운 변수를 생성하여 기존 변수들보다 차원을 요약하고 축소하는 기법

ex) X1, X2, ,,, X10

이 10개의 변수를 주성분 분석을 통해 P1, P2 차원으로 축소하는 것.

P1 - 데이터의 변동(분산)을 가장 많이 설명할 수 있는 것.

P2 - P1과 수직인 주성분

=> 다중공선성도 해결 가능

prcomp()

공분산 행렬의 고유값을 이용하지 않고, 원데이터에 대해 SVD(특이값 분해, Singular Value Decomposition)를 수행하여 계산하는 것.

자료의 특이치 분해.

prcomp(formula, data, subset, na.action, ...)

subset - 그룹자료

na.action - 결측치 처리

prcomp(x, retx=T, center=T, scale.=F, tol=NULL, ...)

x - 분석대상 자료

retx=T - 변수축 회전 여부

center=T - 원점 설정 여부, 중앙을 0으로

scale.=T - 표준화 여부, 조사값 단위가 다르면 표준화가 필요(분산을 1로)

lm() : linear model 단순 선형회귀, 설명변수가 여러개인 선형회귀, 회귀를 돌린다 

lm(formula, data, ...)

lm(종속변수(결과) ~ 독립변수(원인),데이터)

formula : 반응 변수~설명 변수의 형태로 지정한 식

Call:

lm(formula = SENT_POS ~ CHAN_BLOG + CHAN_FORUM + CHAN_NEWS + 

    CHAN_TW + CHAN_INSTAGRAM + CHAN_TUMBLER, data = a)

Residuals:

    Min      1Q  Median      3Q     Max 

-2.4902 -0.0330 -0.0253  0.0016  3.2444 

Coefficients:

                 Estimate Std. Error t value Pr(>|t|)    

(Intercept)     3.439e-16  5.415e-03   0.000   1.0000    

a      -8.215e-02  1.791e-02  -4.586 4.81e-06 ***

b      3.093e-01  2.107e-02  14.678  < 2e-16 ***

c      -5.767e-02  2.615e-02  -2.205   0.0275 *  

d         7.920e-01  2.623e-02  30.196  < 2e-16 ***

e  2.288e-01  1.305e-02  17.534  < 2e-16 ***

f   -1.542e-01  1.632e-02  -9.452  < 2e-16 ***

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.2407 on 1969 degrees of freedom

Multiple R-squared:  0.9422, Adjusted R-squared:  0.9421 

F-statistic:  5352 on 6 and 1969 DF,  p-value: < 2.2e-16

# *이 많을 수록 관련 있고

# Estimate의 절대값이 클수록 영향력이 큰 것이지만, 단순히 판단하기 어렵다. 왜냐하면 다른 변수가 영향력을 줄 수도 있기 때문!

# y=ax+b 이런 식에서 a값이라고 생각할 수 있음, 즉 배수!

# Signif. codes = 유의수준

# 0에서 유의하다, 0.001에서 유의하다 ... 

# 0.001 수준에서 유의한 것이 가장 유의한 것!

# R-squared = 설명력

# 크다고 해서 설명력이 높은 것이 아니고, 참고지표 정도임, 여기에서는 약 94%의 설명력을 지님

# p-value

# 값이 매우 작기 때문에 회귀식이 유의하다고 판단할 수 있음

lm(TOTAL~., data) #여기에서 .은 전체를 뜻함

lm()전 scale()사용

scale() 

데이터 정규화

변수 값으 분포를 표준화하는 것

출처 : http://chloe-ynlee.me/221302458526

상관계수 (pearson correlation coefficient) : cor() 

- 표준화된 공분산

- 공분산은 각 변량의 단위에 의존하게 되어 변동 크기량이 모호하므로, 공분산을 각 변량의 표준편차로 나누어 표준화

- 양의 값이면 두 변수가 같은 방향으로 움직임

- 0이면 선형관계가 없음

1) 표준화변수들의 공분산은 상관계수가 된다

2) 상관계수는 -1<= p <= 1의 범위를 가진다

3) 상관계수 p가 +1에 가까울수록 강한 양의 선형관계를 가진다

4) p=0이면 두 변수간의 선형관계가 없으며, 0에 가까울수록 선형관계가 약해진다

(단, 비선형 관계를 가질 수는 있음)

5) 위치 변환이나 척도 변환 후에도 상관계수는 변함이 없다

cor()

상관계수 확인 -> 0.8~9 등 높은 상관계수가 有 -> 다중공선성 문제 발생 가능! -> 주성분 만들어 해결 가능!

다중공선성?

Multicollinearity

독립변수간 상관관계가 강한 경우

출처: http://rfriend.tistory.com/126 [R, Python 분석과 프로그래밍 (by R Friend)]

attach()

> df$rides

> attach(df)

> rides #attach함수를 사용하면 df$rides와 같아짐 

detach()

attach함수를 해제할 때 사용