1 基本題 (共 100 分)
1.1 視覺化死亡率 (共 40 分)
# 請勿更動此 code chunk 程式碼
library(dplyr)
library(ggplot2)
# 上週作業使用到的 titanic data
titanic <- readr::read_delim("titanic.csv",
delim = ";",
escape_double = FALSE,
trim_ws = TRUE)
# 上週作業 `分組摘要` 的結果
died_summary <- titanic %>%
group_by(Sex, Pclass) %>%
summarise(percent_survived = mean(Survived == "Yes")) %>%
ungroup()
died_summary #> # A tibble: 6 x 3
#> Sex Pclass percent_survived
#> <chr> <dbl> <dbl>
#> 1 female 1 0.968
#> 2 female 2 0.921
#> 3 female 3 0.5
#> 4 male 1 0.369
#> 5 male 2 0.157
#> 6 male 3 0.135此題延續上週作業關於鐵達尼號乘客死亡率的分組摘要。上方的程式碼即是上週分組摘要的答案，儲存於 died_summary。你的任務是使用 ggplot2 將 died_summary 繪製成此長條圖:
# Write your code here
ggplot(data = died_summary) +
geom_bar(aes(Pclass, percent_survived), stat = 'identity') +
facet_wrap(~Sex)
- 如果不知道如何下手，請先閱讀 R for Data Science 第三章
- 你應該會使用到
geom_bar()或是geom_col() - 你應該會使用到
facet_wrap() - 輸出結果應與下圖相同：
輸出結果應要與此圖相同
1.2 自己的資料自己畫 (共 50 分)
請自行尋找一份資料 (不得使用 titanic.csv 或內建資料)，將其放在此次作業的 repo 並命名為 mydata.csv (副檔名請根據自己的資料而定, e.g., 若為 tab 分隔檔，請命名為 mydata.tsv)。你的任務是將這份資料讀入並使用 ggplot2 視覺化這份資料。
(10 分) 資料讀取與清理
將mydata.csv讀入並進行資料清理 (如果需要的話)，以利接下來的資料視覺化(30 分) 資料視覺化
請依這份資料的特性以及你想觀察的現象，對這份資料進行視覺化。依據你的喜好，你可以畫任意多張圖，但其中一張圖裡「必須」使用到 2 種或 2 種以上的geom_*()函數 (助教也只會依據這張圖評分)。這些geom_*()的使用需合理。例如，下方的例子雖然仍畫得出圖，但顯然是不合理的，這種情況將不予給分：ggplot(iris) + geom_bar(aes(x = Species)) + geom_point(aes(Sepal.Length, Petal.Width))
(10 分) Tweak the plot
請依據你的個人偏好「修改」於2.所繪製出來的圖。例如，你可以使用某個coord_*()將圖的 x、y 軸對調；使用其它的風格；或是修改與新增圖的座標軸名稱與標題等。- 評分標準：你只要合理地使用到 https://ggplot2.tidyverse.org/reference 當中 Scales, Coordinate systems 或是 Themes 這三個段落之內的任意一個函數即可得分。
若覺得題目說明不夠清楚，可以參考此題的範例。
資料讀取與清理 (10 分)
# Write your code here
# 請務必印出 data frame
mydata_all <- readr::read_delim("mydata.csv", ",")#>
#> ─ Column specification ────────────────────────────
#> cols(
#> `Overall rank` = col_double(),
#> `Country or region` = col_character(),
#> Score = col_double(),
#> `GDP per capita` = col_double(),
#> `Social support` = col_double(),
#> `Healthy life expectancy` = col_double(),
#> `Freedom to make life choices` = col_double(),
#> Generosity = col_double(),
#> `Perceptions of corruption` = col_double()
#> )mydata <- data.frame(mydata_all)
mydata#> Overall.rank Country.or.region Score GDP.per.capita Social.support
#> 1 1 Finland 7.769 1.340 1.587
#> 2 2 Denmark 7.600 1.383 1.573
#> 3 3 Norway 7.554 1.488 1.582
#> 4 4 Iceland 7.494 1.380 1.624
#> 5 5 Netherlands 7.488 1.396 1.522
#> 6 6 Switzerland 7.480 1.452 1.526
#> 7 7 Sweden 7.343 1.387 1.487
#> 8 8 New Zealand 7.307 1.303 1.557
#> 9 9 Canada 7.278 1.365 1.505
#> 10 10 Austria 7.246 1.376 1.475
#> 11 11 Australia 7.228 1.372 1.548
#> 12 12 Costa Rica 7.167 1.034 1.441
#> 13 13 Israel 7.139 1.276 1.455
#> 14 14 Luxembourg 7.090 1.609 1.479
#> 15 15 United Kingdom 7.054 1.333 1.538
#> 16 16 Ireland 7.021 1.499 1.553
#> 17 17 Germany 6.985 1.373 1.454
#> 18 18 Belgium 6.923 1.356 1.504
#> 19 19 United States 6.892 1.433 1.457
#> 20 20 Czech Republic 6.852 1.269 1.487
#> 21 21 United Arab Emirates 6.825 1.503 1.310
#> 22 22 Malta 6.726 1.300 1.520
#> 23 23 Mexico 6.595 1.070 1.323
#> 24 24 France 6.592 1.324 1.472
#> 25 25 Taiwan 6.446 1.368 1.430
#> 26 26 Chile 6.444 1.159 1.369
#> 27 27 Guatemala 6.436 0.800 1.269
#> 28 28 Saudi Arabia 6.375 1.403 1.357
#> 29 29 Qatar 6.374 1.684 1.313
#> 30 30 Spain 6.354 1.286 1.484
#> 31 31 Panama 6.321 1.149 1.442
#> 32 32 Brazil 6.300 1.004 1.439
#> 33 33 Uruguay 6.293 1.124 1.465
#> 34 34 Singapore 6.262 1.572 1.463
#> 35 35 El Salvador 6.253 0.794 1.242
#> 36 36 Italy 6.223 1.294 1.488
#> 37 37 Bahrain 6.199 1.362 1.368
#> 38 38 Slovakia 6.198 1.246 1.504
#> 39 39 Trinidad & Tobago 6.192 1.231 1.477
#> 40 40 Poland 6.182 1.206 1.438
#> 41 41 Uzbekistan 6.174 0.745 1.529
#> 42 42 Lithuania 6.149 1.238 1.515
#> 43 43 Colombia 6.125 0.985 1.410
#> 44 44 Slovenia 6.118 1.258 1.523
#> 45 45 Nicaragua 6.105 0.694 1.325
#> 46 46 Kosovo 6.100 0.882 1.232
#> 47 47 Argentina 6.086 1.092 1.432
#> 48 48 Romania 6.070 1.162 1.232
#> 49 49 Cyprus 6.046 1.263 1.223
#> 50 50 Ecuador 6.028 0.912 1.312
#> 51 51 Kuwait 6.021 1.500 1.319
#> 52 52 Thailand 6.008 1.050 1.409
#> 53 53 Latvia 5.940 1.187 1.465
#> 54 54 South Korea 5.895 1.301 1.219
#> 55 55 Estonia 5.893 1.237 1.528
#> 56 56 Jamaica 5.890 0.831 1.478
#> 57 57 Mauritius 5.888 1.120 1.402
#> 58 58 Japan 5.886 1.327 1.419
#> 59 59 Honduras 5.860 0.642 1.236
#> 60 60 Kazakhstan 5.809 1.173 1.508
#> 61 61 Bolivia 5.779 0.776 1.209
#> 62 62 Hungary 5.758 1.201 1.410
#> 63 63 Paraguay 5.743 0.855 1.475
#> 64 64 Northern Cyprus 5.718 1.263 1.252
#> 65 65 Peru 5.697 0.960 1.274
#> 66 66 Portugal 5.693 1.221 1.431
#> 67 67 Pakistan 5.653 0.677 0.886
#> 68 68 Russia 5.648 1.183 1.452
#> 69 69 Philippines 5.631 0.807 1.293
#> 70 70 Serbia 5.603 1.004 1.383
#> 71 71 Moldova 5.529 0.685 1.328
#> 72 72 Libya 5.525 1.044 1.303
#> 73 73 Montenegro 5.523 1.051 1.361
#> 74 74 Tajikistan 5.467 0.493 1.098
#> 75 75 Croatia 5.432 1.155 1.266
#> 76 76 Hong Kong 5.430 1.438 1.277
#> 77 77 Dominican Republic 5.425 1.015 1.401
#> 78 78 Bosnia and Herzegovina 5.386 0.945 1.212
#> 79 79 Turkey 5.373 1.183 1.360
#> 80 80 Malaysia 5.339 1.221 1.171
#> 81 81 Belarus 5.323 1.067 1.465
#> 82 82 Greece 5.287 1.181 1.156
#> 83 83 Mongolia 5.285 0.948 1.531
#> 84 84 North Macedonia 5.274 0.983 1.294
#> 85 85 Nigeria 5.265 0.696 1.111
#> 86 86 Kyrgyzstan 5.261 0.551 1.438
#> 87 87 Turkmenistan 5.247 1.052 1.538
#> 88 88 Algeria 5.211 1.002 1.160
#> 89 89 Morocco 5.208 0.801 0.782
#> 90 90 Azerbaijan 5.208 1.043 1.147
#> 91 91 Lebanon 5.197 0.987 1.224
#> 92 92 Indonesia 5.192 0.931 1.203
#> 93 93 China 5.191 1.029 1.125
#> 94 94 Vietnam 5.175 0.741 1.346
#> 95 95 Bhutan 5.082 0.813 1.321
#> 96 96 Cameroon 5.044 0.549 0.910
#> 97 97 Bulgaria 5.011 1.092 1.513
#> 98 98 Ghana 4.996 0.611 0.868
#> 99 99 Ivory Coast 4.944 0.569 0.808
#> 100 100 Nepal 4.913 0.446 1.226
#> 101 101 Jordan 4.906 0.837 1.225
#> 102 102 Benin 4.883 0.393 0.437
#> 103 103 Congo (Brazzaville) 4.812 0.673 0.799
#> 104 104 Gabon 4.799 1.057 1.183
#> 105 105 Laos 4.796 0.764 1.030
#> 106 106 South Africa 4.722 0.960 1.351
#> 107 107 Albania 4.719 0.947 0.848
#> 108 108 Venezuela 4.707 0.960 1.427
#> 109 109 Cambodia 4.700 0.574 1.122
#> 110 110 Palestinian Territories 4.696 0.657 1.247
#> 111 111 Senegal 4.681 0.450 1.134
#> 112 112 Somalia 4.668 0.000 0.698
#> 113 113 Namibia 4.639 0.879 1.313
#> 114 114 Niger 4.628 0.138 0.774
#> 115 115 Burkina Faso 4.587 0.331 1.056
#> 116 116 Armenia 4.559 0.850 1.055
#> 117 117 Iran 4.548 1.100 0.842
#> 118 118 Guinea 4.534 0.380 0.829
#> 119 119 Georgia 4.519 0.886 0.666
#> 120 120 Gambia 4.516 0.308 0.939
#> 121 121 Kenya 4.509 0.512 0.983
#> 122 122 Mauritania 4.490 0.570 1.167
#> 123 123 Mozambique 4.466 0.204 0.986
#> 124 124 Tunisia 4.461 0.921 1.000
#> 125 125 Bangladesh 4.456 0.562 0.928
#> 126 126 Iraq 4.437 1.043 0.980
#> 127 127 Congo (Kinshasa) 4.418 0.094 1.125
#> 128 128 Mali 4.390 0.385 1.105
#> 129 129 Sierra Leone 4.374 0.268 0.841
#> 130 130 Sri Lanka 4.366 0.949 1.265
#> 131 131 Myanmar 4.360 0.710 1.181
#> 132 132 Chad 4.350 0.350 0.766
#> 133 133 Ukraine 4.332 0.820 1.390
#> 134 134 Ethiopia 4.286 0.336 1.033
#> 135 135 Swaziland 4.212 0.811 1.149
#> 136 136 Uganda 4.189 0.332 1.069
#> 137 137 Egypt 4.166 0.913 1.039
#> 138 138 Zambia 4.107 0.578 1.058
#> 139 139 Togo 4.085 0.275 0.572
#> 140 140 India 4.015 0.755 0.765
#> 141 141 Liberia 3.975 0.073 0.922
#> 142 142 Comoros 3.973 0.274 0.757
#> 143 143 Madagascar 3.933 0.274 0.916
#> 144 144 Lesotho 3.802 0.489 1.169
#> 145 145 Burundi 3.775 0.046 0.447
#> 146 146 Zimbabwe 3.663 0.366 1.114
#> 147 147 Haiti 3.597 0.323 0.688
#> 148 148 Botswana 3.488 1.041 1.145
#> 149 149 Syria 3.462 0.619 0.378
#> 150 150 Malawi 3.410 0.191 0.560
#> 151 151 Yemen 3.380 0.287 1.163
#> 152 152 Rwanda 3.334 0.359 0.711
#> 153 153 Tanzania 3.231 0.476 0.885
#> 154 154 Afghanistan 3.203 0.350 0.517
#> 155 155 Central African Republic 3.083 0.026 0.000
#> 156 156 South Sudan 2.853 0.306 0.575
#> Healthy.life.expectancy Freedom.to.make.life.choices Generosity
#> 1 0.986 0.596 0.153
#> 2 0.996 0.592 0.252
#> 3 1.028 0.603 0.271
#> 4 1.026 0.591 0.354
#> 5 0.999 0.557 0.322
#> 6 1.052 0.572 0.263
#> 7 1.009 0.574 0.267
#> 8 1.026 0.585 0.330
#> 9 1.039 0.584 0.285
#> 10 1.016 0.532 0.244
#> 11 1.036 0.557 0.332
#> 12 0.963 0.558 0.144
#> 13 1.029 0.371 0.261
#> 14 1.012 0.526 0.194
#> 15 0.996 0.450 0.348
#> 16 0.999 0.516 0.298
#> 17 0.987 0.495 0.261
#> 18 0.986 0.473 0.160
#> 19 0.874 0.454 0.280
#> 20 0.920 0.457 0.046
#> 21 0.825 0.598 0.262
#> 22 0.999 0.564 0.375
#> 23 0.861 0.433 0.074
#> 24 1.045 0.436 0.111
#> 25 0.914 0.351 0.242
#> 26 0.920 0.357 0.187
#> 27 0.746 0.535 0.175
#> 28 0.795 0.439 0.080
#> 29 0.871 0.555 0.220
#> 30 1.062 0.362 0.153
#> 31 0.910 0.516 0.109
#> 32 0.802 0.390 0.099
#> 33 0.891 0.523 0.127
#> 34 1.141 0.556 0.271
#> 35 0.789 0.430 0.093
#> 36 1.039 0.231 0.158
#> 37 0.871 0.536 0.255
#> 38 0.881 0.334 0.121
#> 39 0.713 0.489 0.185
#> 40 0.884 0.483 0.117
#> 41 0.756 0.631 0.322
#> 42 0.818 0.291 0.043
#> 43 0.841 0.470 0.099
#> 44 0.953 0.564 0.144
#> 45 0.835 0.435 0.200
#> 46 0.758 0.489 0.262
#> 47 0.881 0.471 0.066
#> 48 0.825 0.462 0.083
#> 49 1.042 0.406 0.190
#> 50 0.868 0.498 0.126
#> 51 0.808 0.493 0.142
#> 52 0.828 0.557 0.359
#> 53 0.812 0.264 0.075
#> 54 1.036 0.159 0.175
#> 55 0.874 0.495 0.103
#> 56 0.831 0.490 0.107
#> 57 0.798 0.498 0.215
#> 58 1.088 0.445 0.069
#> 59 0.828 0.507 0.246
#> 60 0.729 0.410 0.146
#> 61 0.706 0.511 0.137
#> 62 0.828 0.199 0.081
#> 63 0.777 0.514 0.184
#> 64 1.042 0.417 0.191
#> 65 0.854 0.455 0.083
#> 66 0.999 0.508 0.047
#> 67 0.535 0.313 0.220
#> 68 0.726 0.334 0.082
#> 69 0.657 0.558 0.117
#> 70 0.854 0.282 0.137
#> 71 0.739 0.245 0.181
#> 72 0.673 0.416 0.133
#> 73 0.871 0.197 0.142
#> 74 0.718 0.389 0.230
#> 75 0.914 0.296 0.119
#> 76 1.122 0.440 0.258
#> 77 0.779 0.497 0.113
#> 78 0.845 0.212 0.263
#> 79 0.808 0.195 0.083
#> 80 0.828 0.508 0.260
#> 81 0.789 0.235 0.094
#> 82 0.999 0.067 0.000
#> 83 0.667 0.317 0.235
#> 84 0.838 0.345 0.185
#> 85 0.245 0.426 0.215
#> 86 0.723 0.508 0.300
#> 87 0.657 0.394 0.244
#> 88 0.785 0.086 0.073
#> 89 0.782 0.418 0.036
#> 90 0.769 0.351 0.035
#> 91 0.815 0.216 0.166
#> 92 0.660 0.491 0.498
#> 93 0.893 0.521 0.058
#> 94 0.851 0.543 0.147
#> 95 0.604 0.457 0.370
#> 96 0.331 0.381 0.187
#> 97 0.815 0.311 0.081
#> 98 0.486 0.381 0.245
#> 99 0.232 0.352 0.154
#> 100 0.677 0.439 0.285
#> 101 0.815 0.383 0.110
#> 102 0.397 0.349 0.175
#> 103 0.508 0.372 0.105
#> 104 0.571 0.295 0.043
#> 105 0.551 0.547 0.266
#> 106 0.469 0.389 0.130
#> 107 0.874 0.383 0.178
#> 108 0.805 0.154 0.064
#> 109 0.637 0.609 0.232
#> 110 0.672 0.225 0.103
#> 111 0.571 0.292 0.153
#> 112 0.268 0.559 0.243
#> 113 0.477 0.401 0.070
#> 114 0.366 0.318 0.188
#> 115 0.380 0.255 0.177
#> 116 0.815 0.283 0.095
#> 117 0.785 0.305 0.270
#> 118 0.375 0.332 0.207
#> 119 0.752 0.346 0.043
#> 120 0.428 0.382 0.269
#> 121 0.581 0.431 0.372
#> 122 0.489 0.066 0.106
#> 123 0.390 0.494 0.197
#> 124 0.815 0.167 0.059
#> 125 0.723 0.527 0.166
#> 126 0.574 0.241 0.148
#> 127 0.357 0.269 0.212
#> 128 0.308 0.327 0.153
#> 129 0.242 0.309 0.252
#> 130 0.831 0.470 0.244
#> 131 0.555 0.525 0.566
#> 132 0.192 0.174 0.198
#> 133 0.739 0.178 0.187
#> 134 0.532 0.344 0.209
#> 135 0.000 0.313 0.074
#> 136 0.443 0.356 0.252
#> 137 0.644 0.241 0.076
#> 138 0.426 0.431 0.247
#> 139 0.410 0.293 0.177
#> 140 0.588 0.498 0.200
#> 141 0.443 0.370 0.233
#> 142 0.505 0.142 0.275
#> 143 0.555 0.148 0.169
#> 144 0.168 0.359 0.107
#> 145 0.380 0.220 0.176
#> 146 0.433 0.361 0.151
#> 147 0.449 0.026 0.419
#> 148 0.538 0.455 0.025
#> 149 0.440 0.013 0.331
#> 150 0.495 0.443 0.218
#> 151 0.463 0.143 0.108
#> 152 0.614 0.555 0.217
#> 153 0.499 0.417 0.276
#> 154 0.361 0.000 0.158
#> 155 0.105 0.225 0.235
#> 156 0.295 0.010 0.202
#> Perceptions.of.corruption
#> 1 0.393
#> 2 0.410
#> 3 0.341
#> 4 0.118
#> 5 0.298
#> 6 0.343
#> 7 0.373
#> 8 0.380
#> 9 0.308
#> 10 0.226
#> 11 0.290
#> 12 0.093
#> 13 0.082
#> 14 0.316
#> 15 0.278
#> 16 0.310
#> 17 0.265
#> 18 0.210
#> 19 0.128
#> 20 0.036
#> 21 0.182
#> 22 0.151
#> 23 0.073
#> 24 0.183
#> 25 0.097
#> 26 0.056
#> 27 0.078
#> 28 0.132
#> 29 0.167
#> 30 0.079
#> 31 0.054
#> 32 0.086
#> 33 0.150
#> 34 0.453
#> 35 0.074
#> 36 0.030
#> 37 0.110
#> 38 0.014
#> 39 0.016
#> 40 0.050
#> 41 0.240
#> 42 0.042
#> 43 0.034
#> 44 0.057
#> 45 0.127
#> 46 0.006
#> 47 0.050
#> 48 0.005
#> 49 0.041
#> 50 0.087
#> 51 0.097
#> 52 0.028
#> 53 0.064
#> 54 0.056
#> 55 0.161
#> 56 0.028
#> 57 0.060
#> 58 0.140
#> 59 0.078
#> 60 0.096
#> 61 0.064
#> 62 0.020
#> 63 0.080
#> 64 0.162
#> 65 0.027
#> 66 0.025
#> 67 0.098
#> 68 0.031
#> 69 0.107
#> 70 0.039
#> 71 0.000
#> 72 0.152
#> 73 0.080
#> 74 0.144
#> 75 0.022
#> 76 0.287
#> 77 0.101
#> 78 0.006
#> 79 0.106
#> 80 0.024
#> 81 0.142
#> 82 0.034
#> 83 0.038
#> 84 0.034
#> 85 0.041
#> 86 0.023
#> 87 0.028
#> 88 0.114
#> 89 0.076
#> 90 0.182
#> 91 0.027
#> 92 0.028
#> 93 0.100
#> 94 0.073
#> 95 0.167
#> 96 0.037
#> 97 0.004
#> 98 0.040
#> 99 0.090
#> 100 0.089
#> 101 0.130
#> 102 0.082
#> 103 0.093
#> 104 0.055
#> 105 0.164
#> 106 0.055
#> 107 0.027
#> 108 0.047
#> 109 0.062
#> 110 0.066
#> 111 0.072
#> 112 0.270
#> 113 0.056
#> 114 0.102
#> 115 0.113
#> 116 0.064
#> 117 0.125
#> 118 0.086
#> 119 0.164
#> 120 0.167
#> 121 0.053
#> 122 0.088
#> 123 0.138
#> 124 0.055
#> 125 0.143
#> 126 0.089
#> 127 0.053
#> 128 0.052
#> 129 0.045
#> 130 0.047
#> 131 0.172
#> 132 0.078
#> 133 0.010
#> 134 0.100
#> 135 0.135
#> 136 0.060
#> 137 0.067
#> 138 0.087
#> 139 0.085
#> 140 0.085
#> 141 0.033
#> 142 0.078
#> 143 0.041
#> 144 0.093
#> 145 0.180
#> 146 0.089
#> 147 0.110
#> 148 0.100
#> 149 0.141
#> 150 0.089
#> 151 0.077
#> 152 0.411
#> 153 0.147
#> 154 0.025
#> 155 0.035
#> 156 0.091資料視覺化 (30 分)
# Write your code here
# 請務必印出圖片
ggplot(mydata, aes(GDP.per.capita, Generosity)) +
geom_point(aes(color = Score)) +
geom_smooth()#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'
Tweak the plot (10 分)
# Write your code here
ggplot(mydata, aes(GDP.per.capita, Generosity)) +
geom_point(aes(color = Score)) +
geom_smooth() +
coord_fixed() +
scale_color_gradientn(colors = rainbow(5))#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'
2 進階選答題 (共 20 分)
請使用 ggplot2 中的 mpg 這份資料繪製圖表。 (可使用 ?mpg 查看這份資料的說明)
- 請以顏色標示「車種」
class是否為 SUV。 (6分) - 請繪製「引擎排氣量」
displ和「每加侖可高速行駛英里」hwy的線性回歸線，並將「年分」year以不同線條類型標示，且不須繪製信心區間 (請使用geom_smooth())。(6分) - 請以黑色直線標示「引擎排氣量」
displ的平均值。(6分) - 請將顏色和線條類型的圖例名稱分別設定為
SUV和Year。(2分)
- 本題輸出結果應如下圖：
進階題輸出結果
# Modify the code below
ggplot(data = mpg, mapping = aes(displ, hwy)) +
geom_point(aes(color = class == "suv")) +
geom_smooth(aes(linetype = factor(year)), method = "lm", se = FALSE) +
geom_vline(xintercept = mean(mpg$displ)) +
labs(x = "Engine displacement (litres)", y = "Highway miles (per gallon)") +
guides(color = guide_legend("SUV"), linetype = guide_legend("Year"))#> `geom_smooth()` using formula 'y ~ x'