Dejo esta guia para poder seguir estudiando:
http://eio.usc.es/pub/pateiro/files/pubdocentepracticasestadistica.pdf
Bienvenida e introducción
Todo lo que aprenderás sobre el lenguaje R
Programación y Data Science
R y proyecto economía naranja.
Instalando nuestras herramientas
Variables, tipos de datos y estructuras
Los primeros cálculos con R y variables
Tipos de datos
Estructura del dataset del proyecto
Vectores
Matrices
Ejercicios con matrices
Operadores para comparar y ubicar datos
Factores, listas y echar un vistazo al dataset
EDA: Exploratory data analysis
Qué es EDA: Exploratory Data Analysis
Gráficas de dispersión e histogramas.
Box Plot y su interpretación
EDA con dataset proyecto - Gráficas de dispersión.
EDA con histogramas.
EDA con dataset proyecto - histogramas - ggplot2
EDA con box plot- ggplot2
EDA con dataset proyecto - box plot- ggplot2 - dplyr
EDA con gráficas de dispersión con más de dos variables - ggplot2
EDA con dataset proyecto usando gráficas de dispersión con más de dos variables - ggplot2 - plotly
La estadística de los datos
Buscando correlaciones con pairs
Confirmando correlaciones con la función cor
Buscando correlaciones con pairs en dataset proyecto
Confirmando correlaciones con la función cor en dataset proyecto.
Protegiéndonos de los peligros del promedio.
Eliminando los NA's para hacer los cálculos.
Estadística y visualización aplicada a análisis de datos de mercadeo.
Ajustando los datos
Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1
Generando tablas, filtrando y seleccionando datos - dplyr-Parte 2
Mejorando la visualización
Viendo más información con facet wrap - Parte 1
Viendo más información con facet wrap - Parte 2
Organizar visualizaciones y código con R Markdown
Conociendo R Markdown y organizando los hallazgos del análisis en un documento PDF.
Conclusiones Finales
Invitación a continuar recorriendo el mundo del data science.
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
14 Días
15 Hrs
34 Min
56 Seg
Viendo más información con facet wrap - Parte 2
33/35Recursos
Aportes 15
Preguntas 2
Ordenar por:
Para ver la paleta de colores R
brewer.pal.info
## Viendo más información con facet wrap - Parte 2
ggplot(TopNaranjas, aes(x=Internet.penetration...population,
y=Services...GDP, size=GDP.PC))+
geom_point()+
facet_wrap(~Country)
ggplot(TopNaranjas, aes(x=Education.invest...GDP,
y=Creat.Ind...GDP, size=Unemployment))+
geom_point()+
facet_wrap(~Country)
myColors <- brewer.pal(9,"Reds")
ggplot(TopNaranjas, aes(x=Internet.penetration...population,
y=GDP.PC, fill=Creat.Ind...GDP))+
geom_tile()+
facet_wrap(~Country)+
scale_fill_gradientn(colors=myColors)```
Les dejo aca un muy buen resumen acerca de RMarkDown
Gracias a SergioRubiano por la recomendación de código, que personalmente me gusto más:
my_graph <- ggplot(topNaranja, aes(color=factor(Unemployment),x=Education.invest...GDP,y=Creat.Ind...GDP,z=Country,size=Unemployment))+geom_point()+facet_wrap(~ Country)
ggplotly(my_graph)
Ah tener en cuenta lo siguiente:
-
scale_color_gradient(), scale_fill_gradient() para gradientes secuenciales entre dos colores
-
scale_color_gradient2(), scale_fill_gradient2() para gradientes divergente
-
scale_color_gradientn(), scale_fill_gradientn() para gradientes secuenciales entre n colores
esto es para el caso que en que escala de gradientes quieren tener.
Primero creo la variable w_mp1
tengo el siguiente gráfico
se dieron cuenta que es para diferente colores entre 5
aca verifico que el mayor qsec esta entre 20 y 25 milla por galones y cera del peso en 3.
Cheque
my_graph <- ggplot(TopNaranjas, aes(color=factor(Unemployment),x=Education.invest…GDP,y=Creat.Ind…GDP,z=Country,size=Unemployment))+
geom_point()+
facet_wrap(~ Country)
mensaje = ggplotly(my_graph)
mensaje
El uso de `facet_wrap()` es excelente para dividir una visualización en subgráficas basadas en los niveles de una variable categórica. Esto es útil para explorar cómo varían las relaciones entre diferentes subconjuntos de datos
Reto:
ggplot(TopNaranjas, aes(x=Internet.penetration…population,
y=Services…GDP, size=GDP.PC))+
geom_point()+
facet_wrap(~Country)
#RESULTADO: Top 6 paises que aportan más a la ec naranja.
#Panama: Tiene 70% de aporte en su pais, ademas un aporte de
#80% de sus servicios van al PIB
ggplot(TopNaranjas, aes(x=Education.invest…GDP,
y=Creat.Ind…GDP, size=Unemployment))+
geom_point()+
facet_wrap(~Country)
install.packages(“RcolorBrewer”)
library(RColorBrewer)
myColors <- brewer.pal(9,“Reds”)
ggplot(TopNaranjas, aes(x=Internet.penetration…population,
y=GDP.PC, fill=Creat.Ind…GDP))+
geom_tile()+
facet_wrap(~Country)+
scale_fill_gradientn(colors=myColors)
Hola, ante este error como se puede solucionar?? no me deja ver los graficos.
interesante!
Excelente clase
#Orangeec
ggplot(TopNaranjas, aes(x=Internet.penetration...population,
y=Services...GDP,
size=GDP.PC))+
geom_point() +
facet_wrap(~Country)
ggplot(TopNaranjas, aes(x=Education.invest...GDP,
y=Creat.Ind...GDP,
size=Unemployment))+
geom_point() +
facet_wrap(~Country)
#
library(RColorBrewer)
myColors <- brewer.pal(9, "Reds")
ggplot(TopNaranjas, aes(x = Internet.penetration...population,
y = GDP.PC,
fill = Creat.Ind...GDP)) +
geom_tile() +
facet_wrap(~ Country) +
scale_fill_gradientn(colors = myColors)
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?