作者简介Introduction

邬书豪，车联网数据挖掘工程师 ，R语言中文社区专栏作者。微信ID：tsaiedu

知乎专栏：https://www.zhihu.com/people/wu-shu-hao-67/activities

往期回顾

kaggle：数据科学社区调查报告（附学习视频）

kaggle：员工离职预测（附学习视频）

Kaggle：纽约的士旅程数据简要分析

Kaggle：R可视化分析美国枪击案（附数据集和代码）

共享单车租用频次分析

从大数据角度看你的信用借贷

本文选用一个比较大的贷款数据集进行简单的探索分析，主要目的是想让读者体会到经典的ggplot2和交互式plotly工具的区别。plotly的主要优点就是图形色彩比较炫酷、支持图形共享和在线操作等，但是其占用内存比较大，相对来说比较占用内存。

本文的绘图大致上就是交替使用ggplot2和plotly绘制图做对比，方便大家去区分图。

---

## 加载所需的程序包

library(readr)
library(dplyr)
library(ggplot2)
library(lubridate)
library(plotly)

使用reader包就是为了使用read_csv函数去快速的读取数据，因为此数据比较大，使用常用的read.csv或者是fread都是比较慢的。使用fread读取需要了将近28秒，read_csv读取使用了15秒，read.csv就不敢尝试了，太慢了。

---

## 读取数据

loan <- read_csv(file.choose())

---

## 筛选变量

loan_new <-
 loan %>%
 select(c(loan_amnt, grade, home_ownership,
          loan_status, issue_d, int_rate))

在进行变量筛选的时候，我建议使用dplyr包中的select函数，最直接的一个优点就是变量名不需要加“”，然后其还更加灵活，比如正则匹配等更多功能大家可以查看帮助文档。

## 数据预处理（一）

## 重塑issue_dy和issue_dm两个变量
loan_new <-
 loan_new %>%
 mutate(issue_dn = dmy(paste0("", loan_new$issue_d)),
        issue_dy = as.factor(year(issue_dn)),
        issue_dm = as.factor(month(issue_dn)))

## 提取所有的字符型变量，并且批量转换为因子型
chr_vars <-  names(which(sapply(loan_new, class) == "character"))
loan_new[chr_vars] <- lapply(loan_new[chr_vars], as.factor)

## 探索贷款金额的分布

## 使用ggplot2绘制直方图
loan_new %>%
 ggplot(aes(x = loan_amnt)) +
 geom_histogram(fill = '#87CEFA', colour = 'blue') +
 theme_minimal()

## 探索房屋所有权和贷款金额的关系

## 使用ggplot2直接绘图
loan_new %>%
 ggplot(aes(x = reorder(home_ownership, -loan_amnt, median),
            y = loan_amnt, fill = home_ownership)) +
 geom_boxplot() +
 labs(x = 'home_ownership') +
 theme_minimal()

## 将ggplot函数绘图的结果传入ggplotly函数中，绘制互动图表
(loan_new %>%
   ggplot(aes(x = reorder(home_ownership, -loan_amnt, median),
              y = loan_amnt, fill = home_ownership)) +
   geom_boxplot() +
   labs(x = 'home_ownership') +
   theme_minimal()) %>%
 ggplotly()

上面的普通箱线图与这个互动的图表相比就显得low一点了，但是绘图所需时间则相对长了一些。下面直接调用plotly的plot_ly函数绘制箱线图，大家对比一下：

## plot_ly函数绘图
plot_ly(loan_new,
       x = ~reorder(home_ownership, -loan_amnt, median),
       y = ~loan_amnt,
       color = ~home_ownership,
       type = "box") %>%
 layout(xaxis = list(title = 'home_ownership'))

## 如果不需要横轴的重排序，只用一行代码就可以绘制漂亮的互动箱线图plot_ly(loan_new, y = ~loan_amnt, color = ~home_ownership, type = 'box')

plotly的图就是炫酷，没得说，代码也比较简单灵活。

## 探索这几年贷款金额的变化

plot_ly(loan_new, y = ~loan_amnt, color = ~issue_dy, type = "box")

在一定程度上，从此箱线图可以看出从2007年到2015年的贷款金额在不断的增加。下面我们绘制条形图去验证，我们的分析是否是正确的：

loan_new %>%
 group_by(issue_dy) %>%
 summarise(amount = sum(loan_amnt)) %>%
 ggplot(aes(x = issue_dy, y = amount, fill = issue_dy)) +
 geom_bar(stat = 'identity') +
 theme_minimal()

loan_new %>%
 ggplot(aes(x = issue_dy, y = loan_amnt, fill = issue_dy)) +
 stat_summary(fun.y = "sum", geom = "bar") +
 theme_minimal()

上面的两段绘图代码的功能是一样的，但是因为数据量的大小会导致效率不同，比较推荐大家使用先统计再绘图的代码，相对来说比较节约时间。下面呢，使用plot_ly函数绘制条形图：

loan_new %>%
 group_by(issue_dy) %>%
 summarise(amount = sum(loan_amnt)) %>%
 plot_ly(y = ~amount, x = ~issue_dy, color = ~issue_dy, type = "bar")

就是这几行简单的代码，这个互动条形图就绘制出来了。细心的读者会发现，2012年为什么没有贷款总额。如果你再细心点，就会发现右上角图例中的2012变为了灰色。那是由于我在图例中单击了一下2012，所以会隐藏2012年的统计图。再点击一次就会重新显示出来，不知道这个小技巧大家知道不知道。当然呢，我们还可以在图中选取需要显示的部分，方法就是在图中尝试去按住左键不放拖动鼠标。

## 探索贷款利率与贷款等级的关系

loan_new %>%
 ggplot(aes(x = grade, y = int_rate, color = grade)) +
 geom_boxplot(size = 1) +
 theme_minimal()

plot_ly(loan_new, y = ~int_rate, color = ~grade, type = "box")

## 探索利率与年份和月份的关系

plot_ly(loan_new, y = ~int_rate, color = ~issue_dy, type = "box")

plot_ly(loan_new, y = ~int_rate, color = ~issue_dm, type = "box")

通过上面对不同年份和月份的贷款利率的探索，发现两个变量与利率的关系并不明显，尤其是月份。但是从一定程度上还是可以看出，近几年的利率还是略有上升的，后半年的利率有一些离群点。

## 统计还款状态的事件数

table(loan_new$loan_status)

loan_new <- within(loan_new, {
 loan_status_new <- ''
 
 loan_status_new[loan_status == 'In Grace Period'] <- 'Grace'
 
 loan_status_new[loan_status == 'Issued' | loan_status == 'Default'] <- 'Other'
 
 loan_status_new[
   loan_status == 'Charged Off' |
     loan_status == 'Does not meet the credit policy. Status:Charged Off'

   ] <- 'Charged Off'

 loan_status_new[
   loan_status == 'Fully Paid' |
     loan_status == 'Does not meet the credit policy. Status:Fully Paid' |
     loan_status == 'Current'
   ] <- 'Fully Paid'
 
 loan_status_new[
   loan_status == 'Late (16-30 days)' |
     loan_status == 'Late (31-120 days)'
   ] <- 'Late'

})

loan_new %>%
 group_by(loan_status_new) %>%
 summarise(counts = n()) %>%
 plot_ly(labels = ~loan_status_new,
         values = ~counts,
         type = 'pie',
         textposition = 'inside',
         textinfo = 'label+percent',
         insidetextfont = list(color = '#FFFFFF'))

饼图虽然说是查看数据比例的一个好图，但是并不是什么数据都适合的。比如说目前这个饼图就非常丑，其次就是把一个饼分成很多很多很多份，密密麻麻啥也看不清楚。然后呢，下面绘制一副条形图，同样表达出饼图的信息：

loan_new %>%
 group_by(loan_status_new) %>%
 summarise(counts = n()) %>%
 mutate(percent = paste0(round(counts/sum(counts), 4)*100, '%')) %>%
 plot_ly(type = 'bar',
         hoverinfo = 'text',
         x = ~reorder(loan_status_new, -counts),
         y = ~counts,
         color = ~loan_status_new,
         text = ~paste(loan_status_new, '\n',
                       counts, '\n',
                       percent)) %>%
 layout(xaxis = list(title = 'loan_status_new'))

为了在条形图中显示出比例，我们进行了统计、字符串拼接等操作，所以显得这个条形图代码比较复杂，但是如果去拆分代码的话，思路还是很简单的。

注：本案例不提供数据集，如果要学习完整案例，点击文章底部阅读原文或者扫描课程二维码，购买包含数据集+代码+PPT的《kaggle十大案例精讲课程》，购买学员会赠送文章的数据集。

《kaggle十大案例精讲课程》提供代码+数据集+详细代码注释+老师讲解PPT！综合性的提高你的数据能力，数据处理+数据可视化+建模一气呵成！

相关课程推荐

Kaggle十大案例精讲课程(连载中)