R语言二手车汽车销售数据可视化探索：预处理、平滑密度图、地理空间可视化（上）:https://developer.aliyun.com/article/1491734

dotplot(

 prop.tabl

问题 #6 数据集中代表了多少个不同的城市？

length( levels(vpcity) )

问题 #7 直观地展示“车主出售”和“经销商出售”的数量/比例在不同城市之间的差异？

有点可疑的是，所有城市都有大约 5000 个观测值，并且每个城市内的百分比几乎是完美的 50/50。

请注意，我们还在设置部分创建了一个新变量ownerDealer。

table(vpoity)

prop.table(taler, vposrgin = 2)

plot( table(vpostty, vporDealer, u

plot( prtable(table(vpoststy

条形图基本上显示了关键信息。由于我们对每个城市内所有者的待售百分比感兴趣，因此点图可能最能观察到这一点。

我们可以从表格和图表中非常清楚地看到，车主发帖和经销商发帖的百分比几乎是完美的 50/50，而且在不同城市之间似乎根本没有差异。

问题 #8 在这个数据集中，一辆车的最高价格是多少？检查这一点并修复该值。现在检查价格的新最高值。

我们在上面的问题 3 中看到，价格数据存在很多问题。

# 让我们使用一个四舍五入的平均价格nwPice = rund( man(osts$prieix

# 平均价格估计低于2500美元或3000美元的发布价格，因此使用较低的2500美元roud( meanvpots$prie\[id\]), diits = -3)

还有更多需要修复的地方。

问题 #9 每个城市“车主销售”和“经销商销售”最常见的三种汽车品牌是什么？它们是相似的还是完全不同的？

cities = levels(vposts$city)# 我们可以在一行中完成内部函数，但它很难读懂，所以把它分成几个步骤。#      names( head( sort( table(vposts$maker\[ vposts$city == x & vposts$byOwner == y & sing = TRUE), 3) )makeByCityByOwner = lapply(X = c(TRUE, FALSE), FUN = function(y){
})names(makeByCityByOwner) = c("Owner", "Dealer")
makeByCityByOwner

# 按业主和经销商检查每个城市的顶部是否匹配makeByyOwner$Owner\[ 1, \] == makeByOwner$Dealer\[ 1, \]

按城市出售的前 3 名中，有 2 名按所有者出售的产品在同一城市内的经销商出售的前 3 名中。

问题 #10 直观地比较不同城市的车龄分布以及“车主销售”和“经销商销售”。提供对图的解释，即关键结论和见解是什么？

2022 年的本田奥德赛“只有 117102 英里”，所以这可能是 2002 年的拼写错误。

年份 = 4 的 Jeep 可能是 2004 年，因为它有一个“AM/FM 盒式磁带播放器-muli CD 播放器”。

vpyear\[ vpyear == 2022 & !is.na(vpstsyer) \] = 2002vposts = osts\[ -which(pstsyar == 1900 & !is.na(vpotar)), \]vpotsyar\[ vposear == 4 & !is.na(vpose) \] = 2004vpossage = 2016 - vpyear
histrm( ~ age | byOwn)

ix = ( vpsts$g < 25 & !is.na(vostge))

hitoram( ~ age | byOwne

# 按城市来看，不同城市的车主与经销商根本没有太大的区别。histogram( ~ age | byOwner + city,

似乎车主出售的汽车往往比经销商出售的汽车年份更老。但是，这因城市而异。

问题 #11 在地图上标出帖子的位置？你注意到了什么？

我们可以得出结论，在这些主要城市出售二手车的人（和/或汽车本身）的位置往往相当紧密地聚集在主要城市周围。

对于远离主要城市之一的地点，可能有多种解释。例如，当他们实际发布广告时，他们可能正在旅行。但总的来说，发布汽车的人的位置通常与他们试图出售车辆的城市相同。

我们可以通过使用 alpha 参数来控制绘图点的透明度，从而更好地查看密度和渗入其他区域的情况，从而对该图进行进一步改进。

map('state', mar = c(0,0,0,0))invisible( 
  lapply( 1:le col.palette\[x\]  )
        }
  ) 
)legend("bottch = 15, cex = 0.9)

points(x = loionByCity\[\[ "sac" \]\]$lette\[1\] )points(x = locationBy\[\[ "sfbay" \]\]$l5\] )

问题 #12 总结燃料类型、驱动和车辆类型的分布。

请注意，在下面的点图中，不同面板中的分布几乎相同，但分布在中间列中显示出一些变化，其中fuel type = "gas". 因此，我们基本上可以将燃料类型从图中删除，子集只fuel type = "gas"考虑其余三个变量之间的关系。

dotplot( table(vpossts$drive, vposransmission, vpo$type))dotplot( tasts$type,sts$uel,vpos$drive, vpostrnsmission,

        auto.key = list(co )

# 对于几乎所有的数据，燃料=汽油。table(vposts$fuel, useNA = "ifany")

我们看到自动档 fuel == "gas"在所有类型的汽车中最常见，其次是手动。在后轮驱动车辆中，手动档比例确实高于轿跑车和敞篷车的其他车型，这是有道理的，因为轿跑车和敞篷车往往是跑车。在四轮驱动中，越野车比例更高。

dotplot(

 prop.table( table(vposts$ty

R语言二手车汽车销售数据可视化探索：预处理、平滑密度图、地理空间可视化（下）：https://developer.aliyun.com/article/1491736