mpg數據集可以做哪些分析

① 數據分析常見類型有哪些

1. 描述性分析

通過描述性分析這一手段，我們可以分析和描述數據的特徵。這是一個處理信息匯總的好方法。描述性分析與視覺分析相結合，為我們提供了全面的數據結構。

在描述性分析中，我們處理過去的數據以得出結論，並以儀錶板的形式展現出來。在企業中，描述性分析多用於確定關鍵績效指標或KPI以評估企業績效。

2. 預測分析

藉助預測分析，我們可以確定未來的結果。基於對歷史數據的分析，我們甚至可以預測未來。它利用描述性分析來生成有關未來的預測，藉助技術進步和機器學習，能夠獲得有關未來的預測性見解。

預測分析是一個復雜的領域，需要大量數據來熟練地執行預測模型及其調整從而獲得較為准確的預測，這需要我們精通機器學習並開發有效的模型。

3. 診斷分析

有時，企業需要對數據的性質進行批判性思考，並深入了解描述性分析。為了找到數據中的問題，我們需要對一些分析進行診斷。

4. 規范分析

規范分析結合了以上所有分析技術的見解嗎，它被稱為數據分析的最終領域，規范分析使公司可以根據這些數據結論制定相關決策。

規范分析需要大量使用人工智慧，以方便公司做出謹慎的業務決策，像Facebook、Netflix、Amazon和Google之類的大公司正在使用規范分析來制定關鍵業務決策。

② 數據分析工具需要具備哪些功能

分析數據並向業務主管和其他最終用戶提供可操作的信息，以便他們可以做出明智的業務決策，這是數據分析的最大用途之一。數據分析也稱為“商業智能”，是任何企業的信息門戶。消費者，開發人員，數據建模人員，數據質量經理，業務主管，運營經理和其他人員依靠報表和儀錶板來幫助監視業務進度，狀態，中斷，收入，合作夥伴等。

2、數據整理/數據准備

良好的數據分析解決方案包括可行的自助數據整理和數據准備功能，可以輕松，快速地從不完整，復雜或凌亂的各種數據源中收集數據，並進行清理以方便進行混搭和分析。

3、數據可視化

為了從數據中收集見解，許多分析師和數據科學家依靠數據可視化或數據的圖形表示來幫助人們直觀地探索和識別數據中的模式和異常值。出色的數據分析解決方案將包括數據可視化功能，從而使數據探索更加輕鬆快捷。

4、地理空間和位置分析

如果您的分析解決方案不包括地理空間和位置分析，則分析大型數據集通常沒有任何意義。將這一層智能添加到數據分析中，使您可以開發見識並發現以前可能從未見過的數據中的關系。您可以更好地預測最有價值的客戶在哪裡，以及他們購買產品的途徑。

5、預測分析

今天，業務數據分析的最大用途之一就是預測事件。例如，預測何時機器將發生故障或在特定時間在特定商店需要多少庫存。預測分析涉及獲取歷史數據並創建模型以幫助預測未來事件。傳統上，高級分析一直是訓練有素的數據科學家，統計學家和數據工程師的領域。但是隨著軟體的進步，公民數據科學家越來越多地扮演這些角色。許多分析公司預測，在生成的高級分析數量上，公民數據科學家將超過數據科學家。

6、機器學習

機器學習涉及使用演算法迭代分析模型的自動化，這些演算法可以從數據中反復學習並優化性能。藉助適用於大數據的機器學習演算法，您可以使計算機工作，以尋找新的模式和見解，而無需對它們的外觀進行明確編程。尋找可提供自然語言搜索，圖像分析和增強分析的數據分析解決方案。

③ 如何使用 ggplot2

R語言 高階可視化繪圖系統：ggplot2入門

ggplot2是《The Grammar of Graphics》/《圖形的語法》中提出了一套圖形語法，將圖形元素抽象成可以自由組合的要素，類似Photoshop中的圖層累加，ggplot2將指定的元素/映射關系逐層疊加，最終形成所圖形。更加深入學習ggplot2，請參考《ggplot2: 數據分析與圖形藝術》。

目 錄

引言：ggplot2基本要素
1. 數據（Data）和映射（Mapping)
2、幾何對象（Geometric）
3、標度（Scale）：fill、color、shape
4、統計變換（Stat）
5、坐標系統（Coordinante）
6、分面（Facet）
7、主題（Theme）
附：ggplot2函數速查表

引言：ggplot2基本要素

• 「+」和「%+%」

• 數據（data）和映射（mapping）:ggplot2的數據(data)必須是一個數據框（dataframe）。

• 幾何對象（geometric）:幾何對象（geom）代表你在圖中實際看到的元素，如點、線、多邊形等。

• 統計變換（statistics）:統計變換（stat）是對數據進行的某種匯總。

• 標度（Scale）:標度（scale）的作用是將數據的取值映射到圖形空間，例如用顏色、大小或形狀來表示不同的取值。

• 坐標系統（Coordinate）:坐標系（coord）描述了數據是如何映射到圖形所在的平面的，它同時提供了看圖所需的坐標軸和網格線。

• 圖層（Layer）:一個圖層由4部分組成：數據和圖形屬性映射；一種統計變換；一種幾何對象；一種位置調整方式。

• 分面（Facet）：分面（facet）描述了如何將數據分解為各個子集，以及如何對子集作圖並聯合進行展示。


其中各要素通過「+」以圖層(layer)的方式來粘合構圖（可以簡單理解為要素/圖層疊加符號）；另外在ggplot2中，數據集必須為數據框(data.frame)格式，並且可以通過%+%符號調整已有數據集（ggplot2指導文檔中明確寫出「To override the data, you must use %+%」，也就是覆蓋數據必須通過%+%）。以mpg數據集為例。





• p1 <- base + geom_smooth() + labs(title="圖1") #如圖1





• #用%+%調整映射關系中的數據




• base <- ggplot(mpg, aes(displ, hwy)) + geom_point()




• # To override the data, you must use %+%




• #也即覆蓋原始數據必須通過%+%




• p2 <- base %+% subset(mpg, fl == "p") + labs(title="圖2") #圖2






• #第二種調整數據的方法list




• # Alternatively, you can add multiple components with a list.




• # This can be useful to return from a function.




• p3 <- base + list(subset(mpg, fl == "p"), geom_smooth(), labs(title="圖3")) #圖3





• ###########一頁多圖########




• #library(grid)




• grid.newpage() ##新建頁面




• pushViewport(viewport(layout = grid.layout(2,2))) #將頁面分成2*2矩陣




• vplayout <- function(x,y){ viewport(layout.pos.row = x, layout.pos.col = y)}




• print(p1, vp = vplayout(1,1)) #（1,1)的位置畫圖1




• print(p2, vp = vplayout(1,2)) #(1,2)的位置畫圖2




• print(p3, vp = vplayout(2,1)) #（2,1)的位置畫圖3

7、主題（Theme）

④ 數據分析的方法有哪些

② 數據分析為了挖掘更多的問題，並找到原因；
③ 不能為了做數據分析而坐數據分析。
2、步驟：① 調查研究：收集、分析、挖掘數據
② 圖表分析：分析、挖掘的結果做成圖表
3、常用方法： 利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等，它們分別從不同的角度對數據進行挖掘。 ①分類。分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。 ②回歸分析。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。 ③聚類。聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。 ④關聯規則。關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。 ⑤特徵。特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。 ⑥變化和偏差分析。偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。 ⑦Web頁挖掘。