Rvis01.Rmd

---
title: "Rvis01"
author: "Mino"
date: "Sunday, January 18, 2015"
output: html_document
---

네이선 아우의 Visualize this 책에 있는 내용 중 R로 실습할 수 있는 내용들을 기준으로 소개하고 일부 내용을 추가하였다

이번 자료에서는 책의 내용들을 위주로 실습하고 이후에는 `ggplot2`, `ggvis` 등 다른 시각화 패키지들을 살펴볼것이다

.... 것입니다

-----------------

우리가 시각화할 자료를 크게 **시간**, **분포**, **관계**, **비교**, **공간** 으로 구분하여

각각의 자료에 맞는 다양한 차트를 R로 그리는 방법을 알아보자

-----------------

#시간 시각화

##막대 그래프

일단 데이터를 불러온다

```{r}
hotdogs = read.csv("http://datasets.flowingdata.com/hot-dog-contest-winners.csv", 
                   sep = "," , 
                   header = T) 

# 이게 정석이다. 
# sep옵션을 통해 자료가 무슨 기호를 통해 구분되는지 명시해주고
# header 옵션을 통해 첫번째 열에 열 이름이 있는지 없는지 알려준다

# 근데 없어도 됨
# 개떡같이말해도 찰떡같이 알아듣는다
# 못알아들으면 알아듣게 해줘야 함

head(read.csv("http://datasets.flowingdata.com/hot-dog-contest-winners.csv") )



```

**year** 연도 

**winner** 우승자 이름 

**dogs.eaten** 우승자가 먹은 핫도그 수 

**country** 우승자 국적 

**new.record** 세계기록 경신시 1

------------------------

간단한 막대그래프를 그려보자

`barplot` 함수를 쓰면 막대그래프를 그릴 수 있다

보통 많이 쓰게 될 `plot`함수의 경우 기본적으로는 산점도(Scatter Plot)을 그리게 된다

```{r}
barplot(hotdogs$Dogs.eaten)
plot(hotdogs$Dogs.eaten)
```

###막대에 연도 라벨 추가

names.arg 옵션을 추가해서 연도에 해당하는 라벨을 만들 수 있다

```{r}
barplot(hotdogs$Dogs.eaten, 
        names.arg = hotdogs$Year)
```

###축의 라벨, 외곽선 설정, 색상

막대기에 색을 넣어보자

`col` 에 빨간색을 넣어보고 외곽선은 없애버린다

```{r}
barplot(hotdogs$Dogs.eaten, 
        names.arg = hotdogs$Year, 
        col = "red", 
        border = NA, 
        xlab = "Year", 
        ylab = "Hotdogs and buns (HDB) eaten")
```

미국인이 우승한 해의 막대와 그렇지 않은 해의 색상을 구분해보자.

색상정보를 담은 리스트 or 벡터를 만들어야 한다

```{r}
fill_colors = c()

for (i in 1:length(hotdogs$Country)){
  if (hotdogs$Country[i] == "United States"){
      fill_colors = c(fill_colors,"#821122")
  } else {
      fill_colors = c(fill_colors, "#cccccc")  
  }
  
}

barplot(hotdogs$Dogs.eaten, 
        names.arg = hotdogs$Year, 
        col = fill_colors, 
        border = NA, 
        xlab = "Year", 
        ylab = "Hotdogs and buns (HDB) eaten")
```

`space` 옵션을 통해 막대간격을 조정할 수 있다

`main` 옵션으로는 제목을 설정한다

```{r}
barplot(hotdogs$Dogs.eaten, 
        names.arg = hotdogs$Year, 
        col = fill_colors, 
        border=NA, 
        space = 0.3,
        main = "Nathan's Hot Dog Eating Contest Results, 1980-2010",
        xlab = "Year", 
        ylab = "Hotdogs and buns (HDB) eaten")
```


##누적 막대 그래프

데이터를 불러온다

```{r}
hot_dog_places = read.csv("http://datasets.flowingdata.com/hot-dog-places.csv",
                          sep = ",",
                          header = T)
head(hot_dog_places)
```

한 열이 한 해의 기록을 나타내고 행은 위에서부터 1,2,3위 입상자를 나타낸다

열이름이 숫자로 되어있을 경우 R에서 자동으로 'X'를 앞에 붙여 String으로 만든다.

원래대로 수정해주자

```{r}
names(hot_dog_places) = c("2000","2001","2002","2003","2004","2005","2006","2007","2008","2009","2010")
```

이 경우 데이터 프레임인 `hot_dog_places` 를 행렬로 바꿔줘야한다.

`as.matrix` 함수를 사용하자

`space = 0.25`는 막대들 사이의 간격이 막대 너비의 0.25라는 것이다

```{r}
hot_dog_matrix = as.matrix(hot_dog_places)

barplot(hot_dog_matrix, 
        border = NA, 
        space = 0.25, 
        ylim = c(0,200), 
        xlab = "Year", 
        ylab = "Hot dogs and buns (HDBs) eaten",
        main = "Hot Dog Eating Contest Results, 1980-2010")
```

색을 바꿔보자

```{r}
barplot(hot_dog_matrix, 
        border = NA, 
        col = c("magenta","cyan","yellow"),
        space = 0.25, 
        ylim = c(0,200), 
        xlab = "Year", 
        ylab = "Hot dogs and buns (HDBs) eaten",
        main = "Hot Dog Eating Contest Results, 1980-2010")
```

##스캐터플롯

데이터부터 불러오자

```{r}
subscribers = read.csv("http://datasets.flowingdata.com/flowingdata_subscribers.csv",
                       sep = ",",
                       header = T)
head(subscribers)
```

**Date** 날짜

**Subscribers** 구독자 수

**Reach** 접속자 수

**Item.Views** 읽은 글 수

**Hits** 접속 수

구독자 수로 그림을 그려보자

일단 위에서 설명했듯이 plot으로 그리면 산점도가 나오는게 기본이다

```{r}
plot(subscribers$Subscribers)
```

**type** 그래프 형태 : `p`는 점으로 표현되고 `h`로 하면 고밀도 수직선 그래프

ylim 을 통해 y값의 표현 범위를 정할 수 있다.

```{r}
plot(subscribers$Subscribers,
     type = "p", 
     ylim = c(0,30000))
```



```{r}
plot(subscribers$Subscribers, 
     type = "h", 
     ylim = c(0,30000), 
     xlab = "Day", 
     ylab = "Subscribers")

points(subscribers$Subscribers, 
       pch = 19, 
       col = "black")
```

`plot`함수의 경우 실행되면 새로운 그래픽을 생성해버린다

반면 `points`,`lines`, `abline` 등의 함수는 화면에 있는 그래픽위에 내용을 덮어쓰기만 한다

`points`함수에서 `pch` 는 점의 크기를 의미한다

```{r}
plot(subscribers$Subscribers, type="h", ylim=c(0,30000), xlab="Day", ylab="Subscribers")
points(subscribers$Subscribers, pch=19, col="black")
abline(0,1000)
```

`abline` 함수는 `abline(a,b)` 로 구성되는데 y = a + bx 라고 생각하면 된다

-------------

#연속형 데이터

##시계열 그래프

세계은행에서 발표한 세계 인구 데이터이다
```{r}
population = read.csv("http://datasets.flowingdata.com/world-population.csv", 
                      sep = ",", 
                      header = T)
head(population)

```

각각 연도와 인구를 나타낸다

`type = "l"` 을 이용해 선으로 연결할 수 있다

```{r}
plot(population$Year,population$Population,
     type = "l", 
     ylim = c(3000000000, 7000000000),
     xlab = "Year", 
     ylab = "Population")
```

##계단식 그래프

미국의 우편요금 변화 기록이다

```{r}
postage = read.csv("http://datasets.flowingdata.com/us-postage.csv", 
                   sep=",", 
                   header=T)

head(postage)
```

각각 연도와 요금(달러)이다

`type = "s"`로 계단식 그래프를 그릴 수 있다. s는 step이다 l은 line, p 는 point 겠지..

```{r}
plot(postage$Year, postage$Price, 
     type = "s")
```


```{r}
plot(postage$Year, postage$Price, 
     type = "s", 
     main = "US Postage Rates for Letters, First Ounce, 1991-2010",
     xlab = "Year",
     ylab = "Postage Rate (Dallars)")
```

계단식 그래프를 통해 단계적으로 우편 요금이 증가하는 모습을 확인할 수 있다

그냥 선으로 이어버리면 우편요금이 일정하게 유지되는 구간을 보여줄 수 없다

##loess

**Locally Weighted ScatterPlot Smoothing** 으로 데이터의 곡률에 맞는 추세선을 그리는 방법이다

데이터를 작은 조각으로 쪼개서 각 조각마다 추세선을 만들고 종합해서 하나의 곡선 추세선을 형성한다

데이터가 곡선의 추세를 보일 때 사용하자

일단 데이터

미국 실업률 1948-2010

```{r}
unemployment = read.csv("http://datasets.flowingdata.com/unemployment-rate-1948-2010.csv",
                        sep=",")

head(unemployment)
```


일단 직선으로 fitting한 결과이다

`lm` 은 linear model 함수인데 여기서는 직선으로 회귀식을 그렸다

intercept와 slope를 반환하기 때문에 abline에 바로 넣으면 직선 추세선을 그릴 수 있다.

```{r}
plot(1:length(unemployment$Value), unemployment$Value)
lnth = 1:length(unemployment$Value)
abline(lm(unemployment$Value ~ lnth))
```

다음은 loess 추세선이다

```{r}
scatter.smooth(x = 1:length(unemployment$Value), y = unemployment$Value)
```

degree와 span으로 곡률을 조정할 수 있다


자세한 옵션이 궁금하면 `?scatter.smooth`을 통해 살펴보자


---------------

#분포 시각화
##트리맵

플로잉데이터라는 저자의 블로그에서 가장 인기있는 글 100를 선정하여 카테고리별로 시각화를 하겠다고 한다

```{r}
posts = read.csv("http://datasets.flowingdata.com/post-data.txt")

head(posts)
```

**id** 아이디

**views** 페이지뷰

**comments** 댓글

**category** 분류

포트폴리오 패키지는 원래 주식시장의 포트폴리오를 만들기 위해서 쓰는 패키지인데

트리맵 만들기가 편해서 일단 이용해본다

트리맵은 영역 기반의 시각화로, 각 사각형의 넓이가 수치를 나타낸다

위계 구조가 있는 데이터나 트리 구조의 데이터를 표시할 때 적당하다

```{r}
#install.packages("portfolio")
library(portfolio)
map.market(id = posts$id, 
           area = posts$views, 
           group = posts$category, 
           color = posts$comments, 
           main = "FlowingData Map")
```

`id` 는 사각형으로 표시할 데이터의 접근자

`area`는 면적에 반영할 값

`group`은 사각형을 그룹으로 묶는데 사용되고

`color`를 이용해 댓글 열에 따라서 구분한다

--------------------

#파이 차트

Visualize This에 내용이 없어서 추가했다

##Simple Pie Chart
```{r}
slices <- c(10, 12,4, 16, 8)
lbls <- c("US", "UK", "Australia", "Germany", "France")
pie(slices, labels = lbls, main="Pie Chart of Countries")
```

## Pie Chart with Percentages
```{r}
slices <- c(10, 12, 4, 16, 8) 

lbls <- c("US", "UK", "Australia", "Germany", "France")

pct <- round(slices / sum(slices) * 100)

lbls <- paste(lbls, pct) # add percents to labels 

lbls <- paste(lbls,"%",sep="") # ad % to labels 

pie(slices, 
    labels = lbls, 
    col = rainbow(length(lbls)),
    main = "Pie Chart of Countries")
```

## Pie Chart from data frame with Appended Sample Sizes
```{r}
mytable <- table(iris$Species)

lbls <- paste(names(mytable), "\n", mytable, sep="")

pie(mytable, 
    labels = lbls, 
    main = "Pie Chart of Species\n (with sample sizes)")
```

----------------

#관계 시각화
##Scatter Plot

다음 데이터는 미국의 2005년 범죄 유형별 발생건을 인구 100000명 당 발생 비율로 나타낸 결과이다

범죄 유형에 따라 7가지로 나뉜다 (*살인*, *절도*, *강간*, *강도*, *폭행*, *차량절도*, *절취*)

```{r}
crime = read.csv("http://datasets.flowingdata.com/crimeRatesByState2005.csv", 
                 sep = ",",
                 header = T)

head(crime)
```

일단 살인과 절도 항목에 대해서만 비교해보자

```{r}
plot(crime$murder, crime$burglary) #살인에 대한 절도 범죄 건수
```

오른쪽 끝의 아웃라이어 때문에 상관관계를 보기가 힘들다

워싱턴DC인데 빼고나서 확인해보자

미국 전체에 대한 항목도 빼버린다

```{r}
crime2 = crime[crime$state != "District of Columbia",] #아웃라이어를 일단 제거하고 해보자
crime2 = crime2[crime2$state != "United States",] #미국 전체 데이터도 제거

plot(crime2$murder, crime2$burglary)
```

축이 0부터 시작하는게 좋은 것 같다

```{r}
plot(crime2$murder, crime2$burglary,
     xlim = c(0,10),
     ylim = c(0,1200))
```

절도와 살인 발생 비율의 관계를 분명하게 확인하기 위해 추세선을 그려보자
```{r}
scatter.smooth(crime2$murder, crime2$burglary, 
               xlim = c(0,10), 
               ylim = c(0,1200))
```

##Scatter Plot matrix

위에서 두 개 변수 사이의 관계를 봤으니 이번에는 여러 변수의 관계를 보고싶다

```{r}
plot(crime2[,2:9])
```

주의 이름을 나타내는 열을 빼고 전부 `plot`에 넣었더니 이렇게 뽑아준다

추세선을 넣어보자

```{r}
pairs(crime2[,2:9], 
      panel = panel.smooth)
```

panel 인수는 x, y에 대한 함수를 변수로 받아 전달한다

예제 코드에선 panel.smooth() 함수(LOESS 추세선을 그려주는 함수)를 전달했다.

자신이 만든 함수도 넣을 수 있다

##Burble Chart

스캐터플롯에 버블의 크기로 세 번째 변수를 나타내는 그래프이다

주의해야할 점은 세번째 변수의 값은 반지름이나 지름이 아니라 **면적**으로 표현되어야 한다

```{r}
crime = read.csv("http://datasets.flowingdata.com/crimeRatesByState2005.tsv", 
                 header = T, 
                 sep = "\t")
```

앞에 있던 예제와 거의 같은 데이터이다

쉼표 대신 탭으로 구분하는 tsv 파일이므로 구분자를 `\t`로 변경해주자

```{r}
symbols(crime$murder, crime$burglary, 
        circles = crime$population)
```

반지름에 데이터가 들어가니 원이 너무 커진다

원의 면적을 통해 데이터를 표현하자

**원의 면적** : pi * r^2

**r = sqrt(원의면적/pi)** 여기서는 비례를 구하려는 것이니 파이는 무시해도 된다

```{r}
radius = sqrt(crime$population / pi)

symbols(crime$murder, crime$burglary, 
        circles = radius) #음.... 원이 전체적으로 다 커보인다
```

모든 원의 크기를 전체적으로 줄일 필요가 있는것같다

```{r}
symbols(crime$murder, crime$burglary, 
        circles = radius, 
        inches = 0.35, 
        fg = "white", 
        bg = "red", 
        xlab = "Murder Rate", 
        ylab = "Burglary Rate")
```

**inches** : 가장 큰원의 크기를 inch 단위로 설정

**fg** : foreground

**bg** : background

symbols 함수는 다른 모형을 선택할 수도 있다.

```{r}
symbols(crime$murder,crime$burglary, 
        squares = sqrt(crime$population),
        inches = 0.5)

text(crime$murder, crime$burglary, crime$state, 
     cex = 0.5)
```

정사각형 `square` 직사각형 `rectangles` 써모미터 `thermometers` 박스플롯 `boxplots` 별 `stars` 등이 선택가능하다

자세한 것은 `?symbols`

cex 는 출력 문구의 크기이다 (기본값 1)

---------------------------

#히스토그램

데이터는 2002년부터 2009년까지 TV크기 분포 그래프이다

참 신기한 데이터가 많다

```{r}
tvs=read.table("http://datasets.flowingdata.com/tv_sizes.txt",
               sep = "\t",
               header = T)
```

아웃라이어를 제거한다

```{r}
tvs=tvs[tvs$size <80,]
tvs=tvs[tvs$size >10,]
```

히스토그램 구간 수를 설정한다
```{r}
breaks = seq(10, 80, by=5)
```

레이아웃을 설정하고 차트를 그린다

4,2 니깐 4행에 2열 짜리

```{r}
par(mfrow=c(4,2))
hist(tvs[tvs$year == 2009,]$size, breaks=breaks)
hist(tvs[tvs$year == 2008,]$size, breaks=breaks)
hist(tvs[tvs$year == 2007,]$size, breaks=breaks)
hist(tvs[tvs$year == 2006,]$size, breaks=breaks)
hist(tvs[tvs$year == 2005,]$size, breaks=breaks)
hist(tvs[tvs$year == 2004,]$size, breaks=breaks)
hist(tvs[tvs$year == 2003,]$size, breaks=breaks)
hist(tvs[tvs$year == 2002,]$size, breaks=breaks)

par(mfrow=c(1,1)) # 이건 그냥 디폴트 설정으로 돌리기 위해서
```

------------------

#비교 시각화

##히트맵 만들기 

2008년의 NBA 농구선수 통계이다

첫번째열은 선수이름, 나머지는 선수 기록 데이터다

```{r}
bball = read.csv("http://datasets.flowingdata.com/ppg2008.csv",
                 header = T)

head(bball)
```

`order` 함수를 이용해 원하는 값을 기준으로 정렬한다

행이름을 숫자에서 선수이름으로 바꾸자

```{r}
bball_byfgp = bball[order(bball$FGP, decreasing =T),] 

bball = bball[order(bball$PTS, decreasing = F),]

row.names(bball) = bball$Name #행이름을 선수 이름으로

bball = bball[,2:20]
```

히트맵을 그리려면 데이터프레임이 아니라 행렬 형태여야 한다
```{r}
bball_matrix = data.matrix(bball)

bball_heatmap = heatmap(bball_matrix, 
                        Rowv = NA, 
                        Colv = NA, 
                        col = cm.colors(256), 
                        scale = "column", 
                        margins = c(5,10))
```

scale 인수를 column으로 설정하면 최대최소값을 전체 행렬이 아니라 열기준으로 결정

`cm.colors()` 사용할 색상의 범위를 파랑(cyan)부터 빨강(magenta)으로 설정

입력한 숫자 단계(여기서는 256) 길이의 파랑에서 빨강까지의 색상범위를 16진수 색상코드 벡터로 반환

`?cm.colors` 를 입력하여 자세한 도움말 확인 가능

따뜻한 색감으로 바꿔보자
```{r}
bball_heatmap = heatmap(bball_matrix, 
                        Rowv = NA, 
                        Colv = NA, 
                        col = heat.colors(256), 
                        scale = "column", 
                        margins = c(5,10))

cm.colors(10) #10개의 색상 벡터를 확인할 수 있다.
```

[0to255](0to255.com) 에서 찾아보는 것도 좋다

색상 코드를 직접 입력해보자
```{r}
red_colors = c("#ffd3cd","#ffc4bc", "#ffb5ab", "#ffa69a", "#ff9789", "#ff8978", "#ff7a67", "#ff6b56", "#ff5c45", "#ff4d34")

bball_heatmap = heatmap(bball_matrix, 
                        Rowv = NA, 
                        Colv = NA, 
                        col = red_colors, 
                        scale = "column", 
                        margins = c(5,10))
```

##RColorBrewer 패키지

색상 고르기 귀찮으면 설치하자

`?brewer.pal` 을 통해 자세한 옵션 확인

```{r}
#install.packages("RColorBrewer")
library(RColorBrewer)
bball_heatmap = heatmap(bball_matrix, Rowv = NA, Colv = NA, col=brewer.pal(9,"Blues"), scale = "column", margins = c(5,10))
```

-------------------

##체르노프 페이스

사람의 얼굴을 쉽게 구분한다는 점에서 착안하여, 데이터를 사람의 얼굴 모양에 대입해서 표현한다

유용성은...글쎄

```{r}
#install.packages("aplpack")
library(aplpack)

bball = read.csv("http://datasets.flowingdata.com/ppg2008.csv",
                 header = T) #다시 불러오자

faces(bball[,2:16],
      ncolors = 0)
```

faces 함수는 최대 15개의 변수까지만 지원한다

#Star Chart

몇 개의 축을 그리고 중앙으로부터의 거리를 통해 수치를 나타낸다

남자들의 경우 위닝에서 선수들 능력치를 본다고 생각하라고 하니까 그림안보고도 이해하더라

```{r}
crime = read.csv("http://datasets.flowingdata.com/crimeRatesByState2005.csv", 
                 sep = ",",
                 header = T) #얘도 다시
stars(crime)
```


```{r}
row.names(crime) = crime$state #주 이름을 행이름으로
crime = crime[,2:7] #테이블에서 주 이름을 제거
stars(crime, 
      flip.labels = FALSE, 
      key.loc = c(15,0.5))
```

flip.labels를 기본값인 T로 놔두면 라벨을 차트의 높이에 따라 위아래를 오가며 배치한다.

key.loc은 범례 위치인것같다

```{r}
stars(crime, 
      flip.labels = FALSE, 
      key.loc = c(15,1.5), 
      full = FALSE)
```

full옵션을 끄면 윗부분만 가지고 그린다

##Nightingale chart / Polar Area Diagram

`draw.segments` 옵션을 켜면 점의 위치 대신 거리로 수치를 나타낸다
```{r}
stars(crime, 
      flip.labels = FALSE, 
      key.loc = c(15,1.5),
      draw.segments = TRUE)
```

---------------------

##평행좌표계 Parallel coordinates


```{r}
education = read.csv("http://datasets.flowingdata.com/education.csv",
                     header=T)

head(education)
```

데이터는 주이름 / SAT 읽기 평균 / 수학평균 / 쓰기평균 / SAT응시비율 / 고등학교졸업직후 취업하는학생비율 / 고교 중퇴율 이다

변수들을 분명한 상관관계로 엮을 수 있을지 알아보자

예를 들면 고교 중퇴율이 높은 주는 과연 평균 SAT점수도 낮을까???

```{r}
library(lattice)

parallelplot(education)

parallelplot(education,
             horizontal.axis = FALSE)  #취향따라...
```

state열은 빼고, 검은색으로 바꿔보자

```{r}
parallelplot(education[,2:7],
             horizontal.axis = FALSE, 
             col = "#000000")
```

읽기,수학,쓰기는 평행에 가깝다

SAT점수와 응시율???? 높은 평균점수는 낮은 응시율을 보이고 그 반대도 보인다

읽기 점수를 기준으로 50%씩 나누어서 상위는 검정색, 하위는 회색으로 하자

중앙값은 `summary()`를 통해 확인

```{r}
summary(education) #reading의 중앙값은 523이다
```

```{r}
reading_colors = c()
for (i in 1:length(education$state)){
  if (education$reading[i] > 523){
      col = "#000000"
  } else {
      col = "#cccccc"
  }
  reading_colors = c(reading_colors, col)
}

parallelplot(education[,2:7],
             horizontal.axis = FALSE, 
             col = reading_colors)
```

중퇴율의 경우에는 어떨까

중앙값 대신 첫 4분위수(상위25%)로 필터링 : 여기서는 5.3%

```{r}
dropout_colors = c()
for (i in 1:length(education$state)){
  if (education$dropout_rate[i] > 5.3){
    col = "#000000"
  } else {
    col = "#cccccc"
  }
  dropout_colors = c(dropout_colors, col)
}
parallelplot(education[,2:7],
             horizontal.axis = FALSE, 
             col = dropout_colors)
```

......별 의미는 없어보인다

---------------------------

#다차원척도법(MDS)

이건 수학적인 설명을 못하겠다

모든 변수를 비교해서 비교하기 가장 좋은 조건을 찾아 2차원에 투영한다고 생각하면 될 것 같다


```{r}
education = read.csv("http://datasets.flowingdata.com/education.csv",
                     header = T) #다시
```

```{r}
ed.dis = dist(education[,2:7]) #모든 주에 대해서 그 주와 나머지 모든 주 사이의 거리를 구한다, 첫열은 주이름이니 제외
#행렬의 한 위치는 행의 주와 열의 주가 얼마만큼의 (유클리드)거리 로 떨어져 있어야 하는지를 보여줌

ed.dis = cmdscale(ed.dis) #cmdscale함수는 거리 행렬을 입력으로 받아서 각 점을 입력된 거리에 맞게 배치한 좌표를 반환한다

x = ed.dis[,1] #구한 좌표를 변수에 각각 저장
y = ed.dis[,2]

plot(x,y)
```

한 점이 어떤주를 나타내는지 알 수 없으니 라벨을 붙여보자
```{r}
plot(x,y,
     type = "n") # 이러면 아무것도 안나온다

text(x,y,
     labels = education$state)
```

주 라벨에 dropout_colors를 적용해보자
```{r}
plot(x,y,
     type = "n")
text(x,y,
     labels = education$state,
     col = dropout_colors)
```

별로 의미없어 보인다

```{r}
plot(x,y,
     type = "n")
text(x,y,
     labels = education$state,
     col = reading_colors)
```

오...............

----------------------

일단 오늘은 여기까지하고

원래 이거 스터디 진행할때는 이거 다음에 바로 지도를 그렸던 것 같은데

일단 자료를 더 모아야 할 것같아서 바로 `ggplot2` 로 넘어갈 것 같다

근데 `ggplot2`는 1.0 버전업 이후에 바뀐게 많아서 이것도 고칠게 많을거같음 ㅠㅠ