式とグラフの備忘録です。
時間系列の記憶は、人間の記憶の中でも頼りになる方。超整理法のアドバンテージは、ここにあったはず。 で、月間レポートを書く場合に、時間系列のヒートマップだと、人間の記憶とレポートの記録が、上手くつながる気がする。なので、ヒートマップ(時系列)が好き。
ggplot2は、簡単にヒートマップが出せる。
例として、このブログのGoogle Analyticsの４月のデータ。
時間、日付け、訪問数、平均PVの４つが入ったデータフレーム。
R> str(abc)
‘data.frame': 720 obs. of 4 variables:
$ hour : int 0 1 2 3 4 5 6 7 8 9 …
$ date : Date, format: “2011-04-01″ “2011-04-01″ “2011-04-01″ “2011-04-01″ …
$ visits: int 1 1 0 0 1 0 1 0 2 3 …
$ apv : num 1 1 0 0 1 0 1 0 1 1 …
ggplot2を読んで、ggfluctuation。データ型は、テーブル型でもいいし、３カラムのデータフレームでもいい。今回は、まずはapv(average-page-views)を抜いて、３カラムデータフレーム。
library(ggplot2)
ggfluctuation(abc[,-4], type=”colour”)
[color-heat-map-google-analytics-data]
でも、ggfluctuationのヘルプを見ると、type=colourは traditionalの形だそうだ。
今は、大きさそのものを出す方が良いという認識？
ggfluctuation(abc[,-4])
[size-heatmap-google-analytics-data]
ただ、ggfluctuationは、拡張性？に乏しいような気がする。
geom_pointでcolor, sizeを指定して、４種類のデータ(時間帯、日付、訪問数、平均PV)を示す。
ggplot(abc, aes(hour, date, colour=apv, size=visits) + geom_point()
赤みが付くと、平均PVが高い。大きさは訪問数。
セッションの量と質と、時間帯＋日付を示す。
今回は、セッションの質を、平均PVにしたけど、
ECサイトなら売上(セッション辺り)とか、CVRとかを使えば良い。直帰率でもいい。
[size-color-heatmap-google-analytics-data]
