Histogramas para Múltiples Variables Continuas.

Una de las actividades más importantes a la hora de trabajar en proyectos de Machine Learning y Data Science es aquella relacionada con el análisis de las variables continuas de un dataset. A razón de esto, el presente post describe las actividades llevadas a cabo por  un conjunto de funciones que, asociadas, generan un histograma y una colección de estadísticas básicas para los atributos especificados de un dataset.

	f_normalizar <- function( p_data )
	{
	x_min <- min(x = p_data)
	x_max <- max(x = p_data)
	( p_data - x_min ) / ( x_max - x_min )
	}

view raw f_normalizar.R hosted with ❤ by GitHub

La función f_normalizar escala todos los atributos numéricos que se le argumenten y los guarda en un data.frame.

	f_computos <- function( p_data )
	{
	media <- mean( x = p_data, na.rm = T )
	mediana <- median( x = p_data, na.rm = T )
	moda <- unique( p_data )
	moda <- moda[ which.max( x = tabulate( bin = match( x = p_data, table = moda ) ) ) ]
	data.frame( Media = media
	, Mediana = mediana
	, Moda = moda
	)
	}

view raw f_computos.R hosted with ❤ by GitHub

Por su parte, la función f_computos calcula la media, mediana y moda para cada uno de los atributos que se le especifiquen y al gual que la función f_normalizar, los almacena en un data.frame.

	f_transformar <- function( p_data, p_summ )
	{
	# Melt Data
	mltd_data <- melt( data = p_data
	, variable.name = "Atributo"
	, value.name = "Value"
	)
	# Melt Summary
	mltd_summ <- melt( data = p_summ
	, id.vars = "Atributo"
	, variable.name = "Metrica"
	, value.name = "Value"
	)
	list( mltd_data = mltd_data
	, mltd_summ = mltd_summ
	)
	}

view raw f_transformar.R hosted with ❤ by GitHub

Más aún, la función f_transformar redimensiona los data.frames formulados por la funciones f_normalizar y f_computos por medio del paquete reshape2 a un formato apropiado para graficarlos por la función ggplot2. Ambos data.frames redimensionados son alojados en una sola lista, esto con el objetivo de guarecer todos los datos a graficar en un único objeto.

	f_generarGrafica <- function( p_mltd )
	{
	( ggplot()
	+ geom_histogram( data = p_mltd$mltd_data
	, aes( x = Value
	, fill = Atributo
	)
	, bins = 40
	, color = "black"
	, alpha = 0.5
	)
	+ geom_vline( data = p_mltd$mltd_summ
	, aes( xintercept = Value
	, color = Metrica
	, linetype = Metrica
	)
	, size = 1
	)
	+ facet_wrap( facets = ~Atributo
	, scales = "fixed"
	)
	+ labs( x = "Value"
	, y = "Frequency"
	)
	+ scale_color_manual( values = c("goldenrod","deeppink3","dodgerblue") )
	+ scale_fill_brewer( palette = "Greens", guide = F )
	+ theme_bw()
	+ theme( panel.grid = element_blank()
	, strip.background = element_rect( fill = "dodgerblue4" )
	, strip.text = element_text( color = 'white' )
	, axis.text = element_text( size = 10.5 )
	, plot.title = element_text( size = 11 )
	, legend.title = element_text( size = 11 )
	)
	)
	}

view raw f_generarGrafica.R hosted with ❤ by GitHub

Por otro lado, el código en f_generarGrafica genera la gráfica objetivo  y la almacena como una lista. Para concluir, la función f_crearHistograma tan sólo vincula las funciones explicadas a lo largo de este texto y guarda tanto la gráfica como los datos graficados en una lista.

	f_crearHistograma <- function( p_data, p_columnas )
	{
	# Iterar sobre columnas y normalizar
	my_data <- mapply( FUN = f_normalizar
	, USE.NAMES = T
	, SIMPLIFY = T
	, p_data[ , p_columnas ]
	)
	my_data <- as.data.frame.matrix( x = my_data )
	# Crear resumen de numeros
	my_summ <- lapply( FUN = f_computos
	, X = my_data
	)
	my_summ <- do.call( what = rbind, args = my_summ )
	my_summ$Atributo <- row.names( x = my_summ )
	row.names( x = my_summ ) <- NULL
	# Transformar Datasets
	mltd <- f_transformar(p_data = my_data, p_summ = my_summ)
	# Crear grafica
	grafica <- f_generarGrafica( mltd )
	list( grafica = grafica
	, datos = my_data
	, resumen = my_summ
	)
	}

view raw f_crearHistograma.R hosted with ❤ by GitHub

El histograma computado puede verse en la siguiente imagen:

El código completo puede ser descargado desde aquí.

Anuncio publicitario