[下载]一本数据探索的好书：Practical tools for exploring data and models

0关注
6粉丝

已卖：96份资源

硕士生

28%

还不是VIP/贵宾

-

0%

威望: 0 级
论坛币: 456 个
通用积分: 4.5550
学术水平: 10 点
热心指数: 13 点
信用等级: 6 点
经验: 1958 点
帖子: 105
精华: 0
在线时间: 129 小时
注册时间: 2007-12-8
最后登录: 2025-10-7

楼主

dengyishuo 发表于 2010-12-1 20:20:50 |AI写论文

是否 +2 论坛币

k人参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

封面：

Contents
List of tables 3
List of gures 7
Acknowledgements 11
1 Introduction 13
1.1 Reshaping data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Plotting data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Visualising models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Reshaping data with the reshape package 17
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Conceptual framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Melting data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Melting data with id variables encoded in column names . . . . . . . 20
2.3.2 Already molten data . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.3 Missing values in molten data . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Casting molten data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Basic use . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 High-dimensional arrays . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Lists . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.4 Aggregation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.5 Margins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.6 Returning multiple values . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Other convenience functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1 Factors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.2 Data frames . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.3 Miscellaneous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6 Case study: French fries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6.1 Investigating balance . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6.2 Tables of means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6.3 Investigating inter-rep reliability . . . . . . . . . . . . . . . . . . . . 34
2.7 Where to go next . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3
Contents
3 A layered grammar of graphics 37
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 How to build a plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 A more complicated plot . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Components of the layered grammar . . . . . . . . . . . . . . . . . . . . . . 42
3.3.1 Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2 Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.3 Coordinate system . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.4 Faceting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 A hierarchy of defaults . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 An embedded grammar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.6 Implications of the layered grammar . . . . . . . . . . . . . . . . . . . . . . 52
3.6.1 Histograms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6.2 Polar coordinates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6.3 Transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7 Perceptual issues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.8 A poetry of graphics? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.9 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.10 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4 Visualising statistical models: Removing the blindfold 63
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 What is a model? Terminology and definitions . . . . . . . . . . . . . . . . . 65
4.3 Display the model in data-space . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3.1 Tools for visualising high-d data and models . . . . . . . . . . . . . . 66
4.3.2 Representing models as data . . . . . . . . . . . . . . . . . . . . . . 67
4.3.3 Case study: MANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.4 Case study: Classification models . . . . . . . . . . . . . . . . . . . . 70
4.3.5 Case study: Hierarchical clustering . . . . . . . . . . . . . . . . . . . 72
4.4 Collections are more informative than singletons . . . . . . . . . . . . . . . 73
4.4.1 Case study: Linear models . . . . . . . . . . . . . . . . . . . . . . . . 76
4.5 Don’t just look at the final result; explore how the algorithm works . . . . . 78
4.5.1 Case study: Projection pursuit . . . . . . . . . . . . . . . . . . . . . . 80
4.5.2 Case study: self organising maps . . . . . . . . . . . . . . . . . . . . 81
4.6 Pulling it all together: visualising neural networks . . . . . . . . . . . . . . . 84
4.6.1 Model in data space . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.6.2 Looking at multiple models: ensemble . . . . . . . . . . . . . . . . . 86
4.6.3 Looking at multiple models: random starts . . . . . . . . . . . . . . . 86
4.6.4 Real data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.8 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4
Contents
5 Conclusion and future plans 91
5.1 Practical tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 Data analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3 Impact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.4 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5 Final words . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Bibliography