我的书签
添加书签
移除书签年龄、魅力和性别
我们想要放大一些观察到的最有趣的属性：年龄、性别和魅力。每当我们用一个表来包含一些有趣的字段，把数据作为一个散点图展现出来通常是非常直观且信息量丰富（见图17-5）：
Draw a scatterplot of age vs.attractiveness，＞plot(d$age,d$attractive， using gender to define the points'colors.col=ifelse(d$male，'blue'，'deeppink'））
该散点图包含提示作用。举个例子，女人似乎比男人更有魅力。但是很难对任何事情有一个确定的答案，因为成千上万的点描绘时互相交叠在一起。当数据过载时，散点图可能会有误导作用。处理该问题的一种方法是平滑数据，通过画估计的分布图而不是点本身（见图17-6）。我们使用称为核密度估计(krnel density estimation)的标准技术。
Lay out side-by-side plots.＞par(mfrow=c（1，2）） For males and females，＞dm=d[d$male，]；df=d[d$female，] draw smoothed plots，＞smoothScatter(df$age,df$attractive， with a color gradient,colramp=colorRampPalette(c（"white"，"deeppink"））， and aligned axes.ylim=c（0，4）） ＞smoothScatter(dm$age,dm$attractive， colramp=colorRampPalette(c（"white"，"blue"）），ylim=c（0，4））
图 17-5：魅力和年龄关系的散点图，通过性别进行着色（见彩图59）
图 17-6：魅力和年龄关系的平滑散点图，每个性别一个图（见彩图60）
我们还可以试着把它们放到同一张图上（见图17-7）：
＞smoothScatterMult(d$age,d$attractive,d$male,blendFun=bl_burn,colramps= c(colorRampPalette(c（"white"，"red"）），colorRampPalette(c（"white"，"blue"））， colorRampPalette(c（"white"，"green"））），pch=""，nrpoints=10000）
图 17-7：魅力和年龄关系的平滑散点图，通过性别着色，在一张图上交叠显示（见彩图61）
这些图形显示了数据的完全分布，但是很难看出其中的模式。举个例子，年龄如何影响魅力？通过计算总结统一和绘制它们更容易看出这一点（见图17-8a）。
For males ＞dm=d[which(d$male)，] and females， ＞df=d[which(d$female)，] average across faces ＞male_avg_by_year=by(dm$attractive， within bins cut(dm$age,breaks=0：80），mean) (oe per year) ＞female_avg_by_year=by(df$attractive， then cut(df$age,breaks=0：80），mean) plot them ＞plot(male_avg_by_year,col='blue'） all together. ＞points(female_avg_by_year,col='deeppink'）
这个图可以开始描述一个故事了，但还是有点难以理解。有些点是成千上万张脸当中的平均年龄值，而有些年龄更大的点来自少量的观察。因此，图的右侧有更多的噪音数据，因为样本更小。
我们给该图增加了两个特征（见图17-8b）。首先，我们计算了95%的置信区间，确保我们不是欺骗自己去看来自于噪音数据的模式。置信区间是通过我们有限的数据来估计可能的均值范围的一种方式。其次，我们将拟合局部加权回归(lcally weighted regression,LOESS)曲线，从而有助于对这种噪音序列数据的聚集模式进行可视化。通常，我们可能会对数据进行线性回归，但是该数据不是线性的，而且看起来不像我们所知道的任何一个函数。局部加权回归函数是拟合任意曲线到数据的一种方法。它基本上是执行代价高的移动平均值。该图还不够完美。图的两边有一些点包含一个或者两个可以计算置信区间的样本。如果你查看图17-4的年龄直方图，这些并不奇怪——看起来超过50岁的人们只占数据集的1.7%。而且，很多置信区间很大，以至于它们的数据点不是很有意义。因此，对于包含很少数据点的区域——特别年轻的和年老的——我们分别使用5年和10年这两种更大的桶。该图看起来噪音数据就少多了（见图17-8c）。
图 17-8：魅力和年龄以及性别的关系的三种迭代绘图：a）平均值在桶内区间的每个年龄；b）每个桶95%置信区间，以及局部加权回归曲线；c）更大的桶，其中数据更稀疏（见彩图62）
一般来说，在所有年龄段中，除了婴儿，女人被认为比男人更有魅力。我们发现婴儿被认为是最有吸引力（魅力）的，但是该吸引力随着年龄增长而下降，直到18岁左右（可能用户对判定青少年为“有魅力”的觉得不太自在？），然后魅力又开始上升，在27岁达到最高值。在那以后，魅力值随着年龄下降，直到50岁，在50岁年龄点，魅力值似乎又开始上升。但是很难确定，因为大于50岁的数据非常稀疏。
当然，对于20岁左右的非文本属性，存在很多关系需要探索。我们可以描绘更多类似于图17-8的图，但是我们能否马上看到所有有趣的交互？我们还是采用两两交互的方法，改变之前描绘的两两结对图。我们不是在每个面板使用散点图，而是显示单一色彩表示属性之间的全局关联。蓝色是正向关联，而红色是负向关联（见图17-9）。
First compute pairwise correlations， ＞cors=cor(d,use='pair'） and order the attributes to try to ＞ord=order.hclust(cors) put similar attributes next to each other. ＞cors=cors[ord,ord] Plot the correlation matrix， ＞image(cors,col=col.corrgram（7）） with axis labels. ＞axis（1，at=seq（0，1，length=nrow(cors)），labels=row.names(cors)）
图 17-9：Pearson关联矩阵，蓝色方块的属性对和上升的斜线是正向关联，而红色方块的属性对和下降的斜线是逆相关（见彩图63）
该绘图蕴涵了很多有趣的关联信息，这些关系值得进一步调查：
·女人被认为比男人更聪明。
·女人被认为更有可能在和狗打架中胜出。
·衣服尺寸和体重只是弱相关。
·女人更有可能被雇佣为安全巡警。
·那些看起来做过整容手术的人被雇佣为安全巡警的概率更小。
值得信任、聪明、有才华、显得年轻、富有和保守之间都两两关联。一条“责任心·轴”？
