UNIT2C：Comics Dataset (1)
中山大學管理學院 卓雍然
2025-09-13
在繼續之前，let’s have some fun! 在這程式筆記中，我們將使用漫畫人物的資料集來回顧、介紹和練習 R 的內建函數。 ( 資料來源: Kaggle.com )
1. 讀入並檢查資料框的結構
🌻 read.csv() - 讀取CSV（逗號分隔值）的文件
🌻 nrow() - 確認row的數量
[1] 7250🌻 ncol() - 確認column的數量
[1] 9資料框之中 …
- 一個
row又稱為一筆資料或一筆紀錄(record)，它代表一個研究對象、一個分析單位 - 一個
column又稱為一個欄位、變數(variables)或屬性(attributes)，它代表研究對象的某個屬性或量測值
🌻 str() -
用來檢查資料框的結構，每個column的資料種類
'data.frame': 7250 obs. of 9 variables:
$ publisher : chr "dc" "dc" "dc" "dc" ...
$ name : chr "Batman (Bruce Wayne)" "Superman (Clark Kent)" "Green Lantern (Hal Jordan)" "James Gordon (New Earth)" ...
$ align : chr "Good" "Good" "Good" "Good" ...
$ eye : chr "Blue" "Blue" "Brown" "Brown" ...
$ hair : chr "Black" "Black" "Brown" "White" ...
$ sex : chr "Male" "Male" "Male" "Male" ...
$ alive : chr "Living" "Living" "Living" "Living" ...
$ appearances: int 3093 2496 1565 1316 1237 1231 1121 1095 1075 1028 ...
$ year : int 1939 1986 1959 1987 1940 1941 1941 1989 1969 1956 ...2. 檢查變數
🌻 summary()
是檢查資料框(每個column的)內容最方便的方式
publisher name align eye
Length:7250 Length:7250 Length:7250 Length:7250
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
hair sex alive appearances
Length:7250 Length:7250 Length:7250 Min. : 1
Class :character Class :character Class :character 1st Qu.: 3
Mode :character Mode :character Mode :character Median : 8
Mean : 42
3rd Qu.: 26
Max. :4043
year
Min. :1936
1st Qu.:1978
Median :1992
Mean :1989
3rd Qu.:2004
Max. :2013
🗿 QUIZ 2：
■
這個資料框的名字是什麼?
■ 我們要分析的目標對象是什麼?
■
我們感興趣的屬性是哪些?
■ 資料集有哪些是數值型的column ?
■
資料集有哪些是字串型的column ?
■
哪些是字串型的column是類別 欄位呢?
🌷
請注意，對不同資料種類的欄位，summary()會以不同的方式進行匯總
- 對於數值欄位，會以統計量的方式回報該變數的分佈
- 對於類別欄位，會顯示各類別的分佈 (後面會詳細說明)
- 對於字串欄位，只顯示它們的種類
💡 分佈 & 統計量
■
分佈 : 是一種描述變數的方式，它描述著 …
◇
變數值的變化
◇ 也就是說，變數的值是如何分佈的?
■
統計量 : 數值變數的某種具體特徵
◇ 舉例來說:
平均(mean), 中位數(median), 最小值(min), 最大值(max)
■
變數的分佈可以用兩種型式表示 :
◇ 在數字上， 用統計量表示 或者
◇ 以圖形上，用繪圖的方式表示
2.1 檢查數值(連續)變數
🌻 mean(), median, max,
min() - 取得數值變數的個別統計量
mean median max min
1989 1992 2013 1936 🌻 summary 一次獲得所有主要的統計量
Min. 1st Qu. Median Mean 3rd Qu. Max.
1936 1978 1992 1989 2004 2013 🌻 hist() - 畫出數值變數的分佈
par(mfrow=c(1,2), mar=c(2,2,3,2), cex=0.6) # 2 plots in a row, smaller font
hist(D$year, main="year")
🌻 log()
當分佈很不均勻時，對數函數(log)有助於減輕極端值的視覺效果
2.2 檢查類別(離散型)變數
🌻 table() 列出並各類別的個數
Bad Good Neutral
2915 3178 1157 請注意，它是依類別名稱的字母順序排列
🌻 barplot() 視覺化離散變數的分佈
🗿 QUIZ 2.2
■
分佈是什麼意思?
■ 我們如何檢查
數值 變數的分佈?
■ 我們如何檢查
類別 變數的分佈？
■
我們可以以統計量或圖形檢查變數，哪種方式比較好呢?
■ …
■ 以統計量檢查變數 appearances
■
以圖形方式檢查變數 year
■ 以統計量檢查變數
sex
■ 以圖形方式檢查變數 eye
3. 字串(Character) vs. 因素(Factor)
在R裡面，原始資料之中的字串欄位可以被儲存為因素(factor)或字串(character)變數，
這兩種變數之間可以相互轉換。
好比說，align這個欄位一開始是被當作字串變數讀入，
我們可以用以下的指令將其轉變為一個具有3個不同的類別(f.align
🌻 factor() - 將字串向量轉為因素向量
有需要的話，我們可以指定因素變數之中各類別(levels)的排列順序
par(mfrow=c(1,2), cex=0.7)
table(D$align) %>% barplot(main="align")
table(D$f.align) %>% barplot(main="f.align")
我們將 eye也轉為因素變數
現在，它變成了 8 個類別(levels)的因素變數
Factor w/ 8 levels "Black","Blue",..: 2 2 3 3 2 2 2 2 2 2 ...🌻 level(x) 列出因素變數x之中的所有類別
[1] "Black" "Blue" "Brown" "Green" "others" "Red" "White" "Yellow"若我們在 factor() 中沒有指定
levels時，各類別將以英文字母的順序排列
Black Blue Brown Green others Red White Yellow
619 2477 2210 664 359 423 291 207 🌻 sort() 對向量進行(升冪)排列
publisher name align eye
Length:7250 Length:7250 Length:7250 Blue :2477
Class :character Class :character Class :character Brown :2210
Mode :character Mode :character Mode :character Green : 664
Black : 619
Red : 423
others : 359
(Other): 498
hair sex alive appearances
Length:7250 Length:7250 Length:7250 Min. : 1
Class :character Class :character Class :character 1st Qu.: 3
Mode :character Mode :character Mode :character Median : 8
Mean : 42
3rd Qu.: 26
Max. :4043
year f.align
Min. :1936 Good :3178
1st Qu.:1978 Neutral:1157
Median :1992 Bad :2915
Mean :1989
3rd Qu.:2004
Max. :2013
🌷 在 summary() 中，因素 (或類別) 變數最多只會列出 6
筆資料，其他則歸類為 Other 。
💡字串 (Character) vs. 因素
(Factor)
■ 字串和因素都可以用於表示類別變數。
■
雖然儲存和呈現的方式不盡相同，但大多數的情況兩者可以交換使用。
■
某些類別 columns 可能會以字串的形式被讀入。
■ 所以，我們應該檢查每一
column 的變數型態。
■
通常，我們只需維持它們的原樣，在必要時將它們轉換型態即可。
4. 排序 (Ordering) 和 篩選 (Filtering)
如果我們想要列出出現次數(appearances)最多的10個漫畫人物
…
4.1 Sorting 和 Ordering 的區別
[1] 1939 1986 1959 1987 1940 1941 1941 1989 1969 1956🌻 sort(x) x的內容進行排序並返回結果
[1] 1939 1940 1941 1941 1956 1959 1969 1986 1987 1989🌻 order(x) x的內容建立一個排序索引，(用來排序物件中的內容)
[1] 1 5 6 7 10 3 9 2 4 8 [1] 1939 1940 1941 1941 1956 1959 1969 1986 1987 1989 [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE我們可以以降冪的方式(decreasing=T)對D$appearances進行sort()並
使用head()從向量中挑選出最前面10個值
[1] 4043 3360 3093 3061 2961 2496 2258 2255 2072 2017這樣我們可以看到D$appearances之中最大的10個數字，但 …
他們是誰呢？
🌻 sort(x)
對x的內容進行排序並返回結果
🌻 order(x)
依x的內容排序建立一個索引向量，(用來重新排序其他的物件)
year appearances name
2424 1962 4043 Spider-Man (Peter Parker)
2425 1941 3360 Captain America (Steven Rogers)
1 1939 3093 Batman (Bruce Wayne)
2426 1974 3061 Wolverine (James \\"Logan\\" Howlett)
2427 1963 2961 Iron Man (Anthony \\"Tony\\" Stark)
2 1986 2496 Superman (Clark Kent)
2428 1950 2258 Thor (Thor Odinson)
2429 1961 2255 Benjamin Grimm (Earth-616)
2430 1961 2072 Reed Richards (Earth-616)
2431 1962 2017 Hulk (Robert Bruce Banner)如此我們可以按順序看到前10名最常出現的角色的出現年分(year)、出現次數(appearances)和名稱
(name)。
4.2 有條件的進行篩選 (Order)
🌻 subset(x, 條件, select=y)
依照所給定的條件篩選row，並依欄位名稱選擇column
d = subset(D, alive=="Deceased" & sex=="Female", select=c("year","appearances","name"))
d[order(d$appearances, decreasing=T), ] %>% head(10) year appearances name
2450 1963 1107 Jean Grey (Earth-616)
2510 1965 384 Gwendolyne Stacy (Earth-616)
50 1999 301 Kendra Saunders (New Earth)
2569 1975 259 Moira Kinross (Earth-616)
2571 1972 257 Namorita Prentiss (Earth-616)
2597 1964 226 Karen Page (Earth-616)
85 1971 216 Big Barda (New Earth)
103 1971 177 Talia al Ghul (New Earth)
2650 1964 170 Hela (Earth-616)
2651 1976 170 Lilandra Neramani (Earth-616)以上，我們可以看到前10名出現次數最多的已故女性角色。
🗿 QUIZ 4.2
■ 列出出現次數為前
10 名的金髮綠眼女性角色
■ 列出 5 個最早出現的紅髮、紅眼男性的
year, publisher, align, 和
name
5. 計數和比例
📋 為每個程式碼區塊寫下註解，將其作為自己的筆記本。
5.1 使用邏輯運算式計算數量和比例
🌻 用 sum() 來計算一個邏輯向量裡面 TRUE
的個數
[1] 3178🌻 用 mean() 來計算一個邏輯向量裡面 TRUE
的比例
[1] 0.43835.2 table()和prop.table()
🌻 table() 列出一個向量裡各不同的值出現的次數
Bad Good Neutral
2915 3178 1157 🌻 prop.table() 將計數轉換成比例
Bad Good Neutral
0.4021 0.4383 0.1596 如果我們在table()中放入兩個變數，會發生什麼事呢?
Female Male
Good 1264 1914
Neutral 432 725
Bad 676 2239查看prop.table的線上說明(F1)，它的margin這個參數的作用是什麼？
Female Male
Good 0.17434 0.26400
Neutral 0.05959 0.10000
Bad 0.09324 0.30883
Female Male
Good 0.3977 0.6023
Neutral 0.3734 0.6266
Bad 0.2319 0.7681
Female Male
Good 0.5329 0.3924
Neutral 0.1821 0.1486
Bad 0.2850 0.4590
我們來練習一下,
- 資料中有多少個壞男人 ❓
- 壞角色之中有多少比率是女的 ❓
- 女性之中有多少比率是壞人 ❓
🏆 Group
Competition Round 1
6. 分類統計與分群運算
6.1 分類統計
要回答Kahoot的最後兩個問題，以上我們是先做兩維的`table()，然後再從一個2x3的矩陣中去找答案。實際上，我們有有更精簡的做法，可以只算出我們想要比較的兩個數字。
🌻
tapply(value, group, fun)依據group對value做fun
Female Male
432 725 按性別計算中立的人數
Female Male
0.1821 0.1486 按性別計算中立的角色的比例
我們來練習一下,
- 每種頭髮顏色中女性的比例分別是多少 ❓
- 女性之中，每種頭髮顏色各有多少人 ❓
🏆 Group
Competition Round 2
7 補充教材
7.1 時序與趨勢
資料中常有一些時間欄位，像是年分(year)或年代(decade)
3 4 5 6 7 8 9 10 11
28 271 106 678 823 1304 1581 1803 656 我們可以依decade算出中性角色的比例
3 4 5 6 7 8 9 10 11
0.071 0.077 0.094 0.137 0.180 0.137 0.134 0.182 0.250 如果把這些數據繪製為圖形，將更容易觀察出趨勢。
🌻 plot(x, y, type) 以不同的方式繪製x和y方向的數據
type="p"散點圖（預設值）type="l"線形圖type="b"帶標記的線圖- 有關更多線型和參數，請參見線上說明（
F1）
# 繪製圖形序列以查看趨勢
par(mfcol=c(2,2), mar=c(4,3,2,1), cex=0.7)
v %>% barplot() # 直條圖
plot(names(v), v) # 散點圖
plot(names(v), v, type='l') # 線形圖
plot(names(v), v, type='b',
ylim=c(0,0.25), # 帶標記的從零開始的線圖
main="各年代中性角色的比例", # 圖表與橫軸名稱
xlab="年代") 
以上哪以種方式比較容易看見正確的趨勢呢？
7.2 按分類排列的序列
tapply(value, group, function)可以一次接受多個分組變數，如
3 4 5 6 7 8 9 10 11
Female 0.125 0.156 0.312 0.198 0.255 0.266 0.352 0.288 0.250
Male 0.050 0.274 0.289 0.559 0.480 0.457 0.513 0.414 0.439🌻
lines()在現有繪圖中添加一條線。例如，我們可以比較不同性別的壞角色比例的趨勢，如下所示。
par(mfrow=c(1,1), mar=c(3,3,2,1), cex=0.7)
plot(colnames(v), v[1,], type="l", ylim=c(0,0.6), col="red", lwd=2,
main = "按性別劃分的壞角色比例") # 添加標題
lines(colnames(v), v[2,], col="blue", lwd=2) # 添加第二條線
abline(h=seq(0,0.6,0.1), v=seq(3,10,1), col='lightgray') # 添加格線
確定前三種頭髮顏色…
[1] "Blond" "Brown" "Black"看看前三種頭髮顏色的比例如何隨時間變化。
par(mfrow=c(1,1), mar=c(3,3,2,1), cex=0.7)
v = tapply(D$hair=="Black", D$decade, mean)
plot(names(v),v,type='l',lwd=2,col="black",ylim=c(0,0.45),
main="前三種頭髮顏色的比例隨時間的變化")
abline(h=seq(0,0.5,0.1), v=seq(3,10,1), col='lightgray')
v = tapply(D$hair=="Brown", D$decade, mean)
lines(names(v),v,type='l',lwd=2,col="brown")
v = tapply(D$hair=="Blond", D$decade, mean)
lines(names(v),v,type='l',lwd=2,col="gold")
🗿 QUIZ 6.3
現在輪到你了。請製作圖表以…
■ 檢查前三種眼睛顏色的比例趨勢
■
依據漫畫公司跟性別去比較存活機率的趨勢
dc.Female dc.Male marvel.Female marvel.Male
3 0.7143 0.6923 0.0000 0.8571
4 0.7273 0.5810 0.8261 0.7438
5 0.7273 0.7547 0.8000 0.7297
6 0.8485 0.7465 0.7564 0.7082
7 0.5909 0.6964 0.6923 0.7182
8 0.7782 0.6518 0.8034 0.7293
9 0.8219 0.6911 0.8037 0.7639
10 0.8382 0.7395 0.6951 0.6447
11 0.9062 0.8525 0.8100 0.7160