En aquest estudi de cas, aplicarem els coneixements adquirits al llarg del curs per realitzar una anàlisi de dades completa. Utilitzarem un conjunt de dades real per explorar, netejar, manipular i visualitzar la informació, i finalment, extreure conclusions significatives.
Objectius de l'Estudi de Cas
- Importació de Dades: Importar el conjunt de dades en R.
- Exploració de Dades: Realitzar una exploració inicial per entendre la seva estructura i contingut.
- Neteja de Dades: Identificar i tractar valors perduts, duplicats i errors.
- Manipulació de Dades: Transformar i reorganitzar les dades segons les necessitats de l'anàlisi.
- Visualització de Dades: Crear gràfics per visualitzar les dades i les seves relacions.
- Anàlisi Estadística: Aplicar tècniques estadístiques per extreure conclusions.
Conjunt de Dades
Per aquest estudi de cas, utilitzarem el conjunt de dades "Iris", que és un clàssic en l'anàlisi de dades. Aquest conjunt de dades conté mesures de diferents característiques de flors de tres espècies d'iris.
Descripció del Conjunt de Dades
- Sepal.Length: Longitud del sèpal (cm)
- Sepal.Width: Amplada del sèpal (cm)
- Petal.Length: Longitud del pètal (cm)
- Petal.Width: Amplada del pètal (cm)
- Species: Espècie de l'iris (setosa, versicolor, virginica)
- Importació de Dades
Comencem per importar el conjunt de dades "Iris" en R.
# Carregar el conjunt de dades Iris data(iris) # Mostrar les primeres files del conjunt de dades head(iris)
- Exploració de Dades
Explorem el conjunt de dades per entendre la seva estructura i contingut.
# Resum del conjunt de dades summary(iris) # Estructura del conjunt de dades str(iris) # Dimensions del conjunt de dades dim(iris)
- Neteja de Dades
Verifiquem si hi ha valors perduts o duplicats i els tractem adequadament.
# Comprovar valors perduts sum(is.na(iris)) # Comprovar duplicats sum(duplicated(iris)) # Eliminar duplicats si n'hi ha iris <- iris[!duplicated(iris), ]
- Manipulació de Dades
Transformem i reorganitzem les dades segons les necessitats de l'anàlisi.
# Afegir una nova columna amb la relació entre la longitud i l'amplada del sèpal iris$Sepal.Ratio <- iris$Sepal.Length / iris$Sepal.Width # Mostrar les primeres files del conjunt de dades modificat head(iris)
- Visualització de Dades
Creem gràfics per visualitzar les dades i les seves relacions.
# Carregar la llibreria ggplot2
library(ggplot2)
# Gràfic de dispersió de la longitud i l'amplada del sèpal
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
geom_point() +
labs(title = "Relació entre la Longitud i l'Amplada del Sèpal",
x = "Longitud del Sèpal (cm)",
y = "Amplada del Sèpal (cm)")
# Gràfic de caixa de la longitud del pètal per espècie
ggplot(iris, aes(x = Species, y = Petal.Length, fill = Species)) +
geom_boxplot() +
labs(title = "Distribució de la Longitud del Pètal per Espècie",
x = "Espècie",
y = "Longitud del Pètal (cm)")
- Anàlisi Estadística
Apliquem tècniques estadístiques per extreure conclusions.
# Comparar la longitud del sèpal entre espècies utilitzant ANOVA anova_result <- aov(Sepal.Length ~ Species, data = iris) summary(anova_result) # Test de correlació entre la longitud del sèpal i la longitud del pètal correlation <- cor(iris$Sepal.Length, iris$Petal.Length) correlation
Conclusió
En aquest estudi de cas, hem aplicat diverses tècniques d'anàlisi de dades per explorar, netejar, manipular i visualitzar el conjunt de dades "Iris". Hem après a identificar i tractar valors perduts i duplicats, a transformar les dades segons les necessitats de l'anàlisi, i a utilitzar tècniques estadístiques per extreure conclusions significatives. Aquest procés ens ha permès obtenir una comprensió més profunda de les dades i les seves relacions.
Resum dels Conceptes Apresos
- Importació i exploració de dades.
- Neteja de dades per tractar valors perduts i duplicats.
- Manipulació de dades per transformar i reorganitzar la informació.
- Visualització de dades per identificar patrons i relacions.
- Aplicació de tècniques estadístiques per extreure conclusions.
Aquest estudi de cas ens prepara per abordar anàlisis de dades més complexes i ens proporciona una base sòlida per aplicar els coneixements adquirits en situacions reals.
Programació en R: De Principiant a Avançat
Mòdul 1: Introducció a R
- Introducció a R i RStudio
- Sintaxi Bàsica de R
- Tipus de Dades i Estructures
- Operacions i Funcions Bàsiques
- Importació i Exportació de Dades
Mòdul 2: Manipulació de Dades
- Vectors i Llistes
- Matrius i Arrays
- Data Frames
- Factors
- Manipulació de Dades amb dplyr
- Manipulació de Cadenes
Mòdul 3: Visualització de Dades
- Introducció a la Visualització de Dades
- Gràfics Base de R
- Conceptes Bàsics de ggplot2
- ggplot2 Avançat
- Visualitzacions Interactives amb plotly
Mòdul 4: Anàlisi Estadística
- Estadístiques Descriptives
- Distribucions de Probabilitat
- Proves d'Hipòtesi
- Correlació i Regressió
- ANOVA i Proves de Chi-Cuadrat
Mòdul 5: Gestió Avançada de Dades
- Gestió de Dates i Hores
- Reestructuració de Dades
- Treballant amb Grans Conjunts de Dades
- Web Scraping
- APIs i JSON
Mòdul 6: Conceptes Avançats de Programació
- Escriure Funcions
- Depuració i Gestió d'Errors
- Programació Orientada a Objectes en R
- Programació Funcional
- Computació Paral·lela
Mòdul 7: Aprenentatge Automàtic amb R
- Introducció a l'Aprenentatge Automàtic
- Preprocessament de Dades
- Aprenentatge Supervisat
- Aprenentatge No Supervisat
- Avaluació i Ajust de Models
Mòdul 8: Temes Especialitzats
- Anàlisi de Sèries Temporals
- Anàlisi de Dades Espacials
- Mineria de Text i Processament del Llenguatge Natural
- Bioinformàtica amb R
- Anàlisi de Dades Financeres