실습 풀이 정리 (10/13)

mpg 데이터를 이용해 다음 문제를 해결하세요.
1. 자동차 배기량에 따라 고속도로 연비가 다른지 알아보려고 합니다. displ(배기량)
이 4 이하인 자동차와 5 이상인 자동차 중 어떤 자동차의 hwy(고속도로 연비)가
평균적으로 더 높은지 알아보세요

2. 자동차 제조 회사에 따라 도시 연비가 다른지 알아보려고 합니다. manufacturer
   가 “audi”와 “toyota”의 cty(도시 연비)가 평균적으로 더 높은지 알아보세요.

3. “chevrolet”, “ford”, “honda” 자동차의 고속도로 연비 평균을 알아보려고 합니다.
   이 회사들의 데이터를 추출한 후 hwy의 전체 평균을 구하세요

< 풀이 코드 >

1. 
mpg <- as.data.frame(ggplot2::mpg)
head(mpg)
df_displ4 <- mpg %>% filter(displ <= 4)
df_displ5 <- mpg %>% filter(displ >= 5)
mean(df_displ4$hwy)
mean(df_displ5$hwy)

2. 
df_audi <- mpg %>% filter(manufacturer == 'audi')
df_toyota <- mpg %>% filter(manufacturer == 'toyota')
mean(df_audi$cty)
mean(df_toyota$cty)

3. 
df_mean <- mpg %>% filter(manufacturer %in% c('chevrolet', 'ford', 'honda'))
mean(df_mean$hwy)	

mpg 데이터를 이용해 다음 문제를 해결하세요.
1 mpg 데이터에서 class(자동차 종류), cty(도시 연비) 변수를 추출하여 새로운 데
이터를 만드세요.
2 새로운 데이터의 일부를 출력하여 두 변수로만 구성되어 있는지 확인하세요,.
3 자동차 종류에 따라 도시 연비가 다른지를 알아보려고 합니다. 앞의 데이터를 이
용하여 class가 “suv”인 지동차와 “compact”인 자동차 중 어떤 자동차가 cty가 더
높은지 알아보세요,.

< 풀이 코드 >

1.
df_mpg_new <- mpg %>% select(class, cty)
2.
head(df_mpg_new,10)
3.
df_mpg_class_suv <- df_mpg_new %>% filter(class == 'suv')
mean(df_mpg_class_suv$cty)
df_mpg_class_compact <- df_mpg_new %>% filter(class == 'compact')
mean(df_mpg_class_compact$cty)

mpg 데이터를 이용해 다음 문제를 해결하세요.
1. “audi”에서 생산한 자동차 중에 어떤 모델(class)이 hwy(고속도로 연비)가 높은지
확인하려고 합니다. “audi”에서 생산된 차량 중 hwp가 1 ~ 5위에 해당하는 자동
차의 데이터를 출력하세요.

< 풀이 코드 >

mpg %>% filter(manufacturer == 'audi') %>% arrange(desc(hwy)) %>% head(5)

mpg 데이터에서 hwy와 cty 변수를 이용하여 하나의 통합 연비 변수를 만들
어 분석하세요.
1. mpg 데이터 복사본을 만들고, cty와 hwy를 더한 “총 연비 변수”를 추가하세요.
2. “총 연비 변수”를 2로 나눈 “평균 연비 변수”를 추가하세요.
3. “평균 연비 변수”가 가장 높은 자동차 3종의 데이터를 출력하세요,.
4. 위의 문제를 하나의 하나의 연결된 구문으로 만들어 실행하세요

< 풀이 코드 >

1. 
df <- mpg
df %>% mutate(total = cty + hwy)
2. 
df %>% mutate(total = cty + hwy, average = (cty + hwy) / 2)
3,4. df %>% mutate(total = cty + hwy, average = (cty + hwy) / 2) %>% arrange(desc(average)) %>% head(3)

mpg에서 회사별로 “suv” 자동차의 도시 및 고속도로 통합 연비 평균을 구해 내
림차순으로 정렬하고, 1 ~ 5위까지 출력하세요

< 풀이 코드 >

mpg <- as.data.frame(ggplot2::mpg)
mpg %>% mutate(total = (cty +hwy)) %>% group_by(manufacturer) %>% summarise(mean_total = mean(total)) %>% arrange(desc(mean_total)) %>% head(5)

mpg 데이터를 이용하세요.
1. class는 “suv”, ”compact” 등 자동차의 특징에 따라 7종류로 분류한 변수입니다. 어떤 차
종의 도시 연비가 높은지 비교하려고 하기 위해 class별 cty평균을 구해 보세요.
2. 앞의 결과물에서 class 값은 알파벳 순으로 정렬되어 있습니다. 어떤 차종의 도시 연비가
높은지 쉽게 알아볼 수 있도록 cty 평균이 높은 순으로 정렬해서 출력하세요.
3. 어떤 회사 자동차의 hwy가 가장 높은지 알아보려고 합니다. hwy 평균이 가장 높은 회사
3곳을 출력하세요.
4. 어떤 회사에서 “compact” 차종을 가장 많이 생산하는지 알아보려고 합니다. 각 회사별
“compact” 차종의 수를 내림차순으로 정렬하여 출력하세요

< 풀이 코드 >

mpg <- as.data.frame(ggplot2::mpg)
1. mpg %>% group_by(class) %>% summarise(mean_cty = mean(cty))
2. mpg %>% group_by(class) %>% summarise(mean_cty = mean(cty)) %>% arrange(desc(mean_cty))
3. mpg %>% group_by(manufacturer) %>% summarise(mean_hwy = mean(hwy)) %>% arrange(desc(mean_hwy)) %>% head(3)
4. mpg %>% group_by(manufacturer) %>% filter(class == 'compact') %>% summarise(freq = n()) %>% arrange(desc(freq))

mpg 데이터를 이용하세요.
1. mpg 데이터의 fl 변수는 자동차에 사용하는 연료를 의미합니다. 연료의 이름과 가격표는
아래와 같습니다. fuel 데이터 프레임을 완성하세요,
2. mpg의 fl 변수와 fuel의 fl을 참조하여 연료 가격인 price_fl 변수를 추가하세요.
3. 결과 확인을 위해 model, fl, price_fl 변수를 추출해서 앞부분 5행을 출력하세요.

< 풀이 코드 >

mpg <- as.data.frame(ggplot2::mpg)
1. fuel <- data.frame(fl = c('c', 'd', 'e', 'p', 'r'), price_fl = c(2.35, 2.38, 2.11, 2.76, 2.22), stringsAsFactors = F)
2. df <- left_join(mpg, fuel, by = 'fl')
3. df %>% select(model, fl, price_fl) %>% head(5)

ggplot2 패키지에 포함된 midwest 데이터 이용하세요.
1. popadults는 해당 지역의 성인 인구, poptotal은 전체 인구를 나타냅니다. midwest 데이
터에 ‘전체 인구 대비 미성년 인구 백분율‘ 변수를 추가하세요.
2. 미성년 인구 백분율이 가장 높은 상위 5개 county의 미성년 백분율을 출력하세요.
3. 분류 기준에 따라 미성년 등급 변수를 추가하고, 각 등급에 몇 개의 지역이 있는지 출력
하세요
4. large : 40% 이상, middle : 30~ 40% 미만, small : 30% 미만
5. popasian은 해당 지역의 아시아인구를 표시합니다. ‘전체 인구 대비 아시아인 인구 백분
율＇변수를 추가하고 하위 10개 지역의 state, county, 아시아인 인구 백분율을 출력하세
요

< 풀이 코드 >

midwest <- as.data.frame(ggplot2::midwest)
1. midwest <- midwest %>% mutate(minority = (poptotal - popadults) / poptotal) 
2. midwest %>% arrange(desc(minority)) %>% select(county) %>% head(5)
3. midwest %>% mutate(grade = ifelse(minority >= 0.4, 'large', ifelse(minority >= 0.3, 'middle', 'small')))
4. midwest %>% mutate(perasian = popasian / poptotal) %>% arrange(perasian) %>% select(state, county, perasian) %>% head(10)