3.6　R语言实战

3.6.1　泰坦尼克号

统计学的分类数据分析是，检验两个因子是否独立，或相关性是否显著。以泰坦尼克号为例，在统计学中是检验乘客身份（因子）和存亡（因子）是否无关或显著相关。在关联规则分析中是挖掘“头等舱”和“存活”是否有关联，参见《大话统计学》例题14.4。

如果将“存活”变量当作因变量（目标变量），问题就是监督式学习的分类模型。

关于泰坦尼克号的数据如表3-3、图3-14、图3-15所示。这个数据和《大话统计学》第14章的数据略有不同，因为参考数据来源不同。

【R例3.3】泰坦尼克号：数据Titanic、Titan，函数{包}：apriori、itemFrequency、eclat {arules}

图3-3关联分析数据有5种格式，R例3.1和R例3.2是（a）0-1二元关联矩阵。

泰坦尼克号数据档案是（d）事务频数表Titanic，转成（c）因子项目数据框Titan。

关联规则如图3-18所示。

3.6.2　商店数据

商店数据文件是图3-3（e）事务表格式格式

【R例3.4】商店数据：shop.csv，函数apriori、itemFrequency

数据框格式data.frame：110893行，2列，如图3-19所示。

交叉销售关联规则如图3-21所示。

负关联规则如图3-22所示。

关联规则如图3-23所示。

3.6.3　食品杂货数据

【R例3.5】食品杂货：数据Groceries，函数apriori

Groceries数据arules的transactions格式：9835行（记录）。

数据是图3-3（b）事务数据库的格式。

3.6.4　人口收入数据

在R语言包arules的内建数据集有Adult和AdultUCI两个有关个人收入的数据集，共有48842个记录。AdultUCI数据有15个变量，虽然是数据框的格式，但是不能将AdultUCI数据输入apriori函数计算关联规则，因为变量有数值型变量。

AdultUCI的15个变量：

（1）年龄Age数值整数变量。

（2）工作等级Workclass因子有8个水平。

（3）教育Education有序因子有16个水平。

（4）教育年数education-num数值向量。

（5）婚姻marital-status因子有7个水平。

（6）职业Occupation因子有14个水平。

（7）家庭关系Relationship因子有6个水平。

（8）种族Race因子有5个水平。

（9）性别Sex因子有2个水平。

（10）资本获利capital-gain数值向量。

（11）资本损失capital-loss数值向量。

（12）Fnlwgt数值向量。

（13）每周工时hours-per-week数值整数变量。

（14）出生国家native-country因子有41个水平。

（15）收入Income有序因子有2个水平（小small < large大）。

将AdultUCI数据的第4和第12个变量删除。

将（1）年龄Age改为有序因子有4个水平。

将（10）资本获利capital-gain改为有序因子有3个水平。

将（11）资本损失capital-loss改为有序因子有3个水平。

将（13）每周工时hours-per-week改为有序因子有4个水平。

上述的因子全部加起来 13个变量共有115个因子。

数据Adult是图3-3（b）事务数据库的格式transactions。

数据 AdultUCI是图3-3（c）数据框的格式data.frame 48842 obs. 13 variables。

【R例3.6】人口收入：数据Adult.CSV，函数apriori

3.6.5　鸢尾花数据

鸢尾花数据（Iris data set）包含了150个样本，分别是山鸢尾、变色鸢尾和维吉尼亚鸢尾。用4个特征变量测量花朵：萼片长度、萼片宽度、花瓣长度、花瓣宽度。

（1）萼片长度（Sepal Length）：计算单位是厘米。

（2）萼片宽度（Sepal Width）：计算单位是厘米。

（3）花瓣长度（Petal Length）：计算单位是厘米。

（4）花瓣宽度（Petal Width）：计算单位是厘米。

（5）类别（Class）：可分为Setosa、Versicolor和Virginica三个品种。

【R例3.7】连续变量关联分析：鸢尾花数据iris，函数apriori

数据框格式data.frame：150个观察值 5个变量

鸢尾花数据特征变量分布图如图3-24所示。

鸢尾花数据特征变量分布如图3-25所示。