mpg数据集可以做哪些分析

① 数据分析常见类型有哪些

1. 描述性分析

通过描述性分析这一手段，我们可以分析和描述数据的特征。这是一个处理信息汇总的好方法。描述性分析与视觉分析相结合，为我们提供了全面的数据结构。

在描述性分析中，我们处理过去的数据以得出结论，并以仪表板的形式展现出来。在企业中，描述性分析多用于确定关键绩效指标或KPI以评估企业绩效。

2. 预测分析

借助预测分析，我们可以确定未来的结果。基于对历史数据的分析，我们甚至可以预测未来。它利用描述性分析来生成有关未来的预测，借助技术进步和机器学习，能够获得有关未来的预测性见解。

预测分析是一个复杂的领域，需要大量数据来熟练地执行预测模型及其调整从而获得较为准确的预测，这需要我们精通机器学习并开发有效的模型。

3. 诊断分析

有时，企业需要对数据的性质进行批判性思考，并深入了解描述性分析。为了找到数据中的问题，我们需要对一些分析进行诊断。

4. 规范分析

规范分析结合了以上所有分析技术的见解吗，它被称为数据分析的最终领域，规范分析使公司可以根据这些数据结论制定相关决策。

规范分析需要大量使用人工智能，以方便公司做出谨慎的业务决策，像Facebook、Netflix、Amazon和Google之类的大公司正在使用规范分析来制定关键业务决策。

② 数据分析工具需要具备哪些功能

分析数据并向业务主管和其他最终用户提供可操作的信息，以便他们可以做出明智的业务决策，这是数据分析的最大用途之一。数据分析也称为“商业智能”，是任何企业的信息门户。消费者，开发人员，数据建模人员，数据质量经理，业务主管，运营经理和其他人员依靠报表和仪表板来帮助监视业务进度，状态，中断，收入，合作伙伴等。

2、数据整理/数据准备

良好的数据分析解决方案包括可行的自助数据整理和数据准备功能，可以轻松，快速地从不完整，复杂或凌乱的各种数据源中收集数据，并进行清理以方便进行混搭和分析。

3、数据可视化

为了从数据中收集见解，许多分析师和数据科学家依靠数据可视化或数据的图形表示来帮助人们直观地探索和识别数据中的模式和异常值。出色的数据分析解决方案将包括数据可视化功能，从而使数据探索更加轻松快捷。

4、地理空间和位置分析

如果您的分析解决方案不包括地理空间和位置分析，则分析大型数据集通常没有任何意义。将这一层智能添加到数据分析中，使您可以开发见识并发现以前可能从未见过的数据中的关系。您可以更好地预测最有价值的客户在哪里，以及他们购买产品的途径。

5、预测分析

今天，业务数据分析的最大用途之一就是预测事件。例如，预测何时机器将发生故障或在特定时间在特定商店需要多少库存。预测分析涉及获取历史数据并创建模型以帮助预测未来事件。传统上，高级分析一直是训练有素的数据科学家，统计学家和数据工程师的领域。但是随着软件的进步，公民数据科学家越来越多地扮演这些角色。许多分析公司预测，在生成的高级分析数量上，公民数据科学家将超过数据科学家。

6、机器学习

机器学习涉及使用算法迭代分析模型的自动化，这些算法可以从数据中反复学习并优化性能。借助适用于大数据的机器学习算法，您可以使计算机工作，以寻找新的模式和见解，而无需对它们的外观进行明确编程。寻找可提供自然语言搜索，图像分析和增强分析的数据分析解决方案。

③ 如何使用 ggplot2

R语言 高阶可视化绘图系统：ggplot2入门

ggplot2是《The Grammar of Graphics》/《图形的语法》中提出了一套图形语法，将图形元素抽象成可以自由组合的要素，类似Photoshop中的图层累加，ggplot2将指定的元素/映射关系逐层叠加，最终形成所图形。更加深入学习ggplot2，请参考《ggplot2: 数据分析与图形艺术》。

目 录

引言：ggplot2基本要素
1. 数据（Data）和映射（Mapping)
2、几何对象（Geometric）
3、标度（Scale）：fill、color、shape
4、统计变换（Stat）
5、坐标系统（Coordinante）
6、分面（Facet）
7、主题（Theme）
附：ggplot2函数速查表

引言：ggplot2基本要素

• “+”和“%+%”

• 数据（data）和映射（mapping）:ggplot2的数据(data)必须是一个数据框（dataframe）。

• 几何对象（geometric）:几何对象（geom）代表你在图中实际看到的元素，如点、线、多边形等。

• 统计变换（statistics）:统计变换（stat）是对数据进行的某种汇总。

• 标度（Scale）:标度（scale）的作用是将数据的取值映射到图形空间，例如用颜色、大小或形状来表示不同的取值。

• 坐标系统（Coordinate）:坐标系（coord）描述了数据是如何映射到图形所在的平面的，它同时提供了看图所需的坐标轴和网格线。

• 图层（Layer）:一个图层由4部分组成：数据和图形属性映射；一种统计变换；一种几何对象；一种位置调整方式。

• 分面（Facet）：分面（facet）描述了如何将数据分解为各个子集，以及如何对子集作图并联合进行展示。


其中各要素通过“+”以图层(layer)的方式来粘合构图（可以简单理解为要素/图层叠加符号）；另外在ggplot2中，数据集必须为数据框(data.frame)格式，并且可以通过%+%符号调整已有数据集（ggplot2指导文档中明确写出“To override the data, you must use %+%”，也就是覆盖数据必须通过%+%）。以mpg数据集为例。





• p1 <- base + geom_smooth() + labs(title="图1") #如图1





• #用%+%调整映射关系中的数据




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




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




• #也即覆盖原始数据必须通过%+%




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






• #第二种调整数据的方法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="图3")) #图3





• ###########一页多图########




• #library(grid)




• grid.newpage() ##新建页面




• pushViewport(viewport(layout = grid.layout(2,2))) #将页面分成2*2矩阵




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




• print(p1, vp = vplayout(1,1)) #（1,1)的位置画图1




• print(p2, vp = vplayout(1,2)) #(1,2)的位置画图2




• print(p3, vp = vplayout(2,1)) #（2,1)的位置画图3

7、主题（Theme）

④ 数据分析的方法有哪些

② 数据分析为了挖掘更多的问题，并找到原因；
③ 不能为了做数据分析而坐数据分析。
2、步骤：① 调查研究：收集、分析、挖掘数据
② 图表分析：分析、挖掘的结果做成图表
3、常用方法： 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。 ①分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。 ③聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。 ⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 ⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 ⑦Web页挖掘。