Домашнее задание 1.
May 24, 2018
Домашнее задание можно выполнять на данных с которымии вы работаете :) Если таких нет, то можно использовать данные про хлопья для завтрака cereal.csv.
Описание данных:
Name - название производителя хлопьев
mfr - название производителя
type - тип хлопьев
protein - белки, в гм на порцию
fat - жиры в гм на порцию
sodium - натрий в мг на порцию
fiber - клетчатка в гм на порцию
carbo - углеводы в гм на порцию
sugars - сахар в гм на порцию
potass - калий в мг на порцию
vitamins - витамины и минералы
shelf - полка, на которой хлопья стоят в магазине, считая от пола
weight - вес одной порции в унциях
cups - число чашек в порции
rating - оценка хлопьев покупателями
- Подключите библиотеки
tidyverse,rio,skimr.
library(tidyverse)## ── Attaching packages ────────────────────────────────────────────────────────────────────── tidyverse 1.2.1 ──## ✔ ggplot2 2.2.1.9000 ✔ purrr 0.2.4
## ✔ tibble 1.4.2 ✔ dplyr 0.7.5
## ✔ tidyr 0.8.1 ✔ stringr 1.3.1
## ✔ readr 1.1.1 ✔ forcats 0.3.0## ── Conflicts ───────────────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()library(rio)
library(skimr)- Загрузите данные из файла
cereal.csv(или из вашего файла) и сохраните их в переменной под названиемdf. Для этого нужно воспользоваться функциейimportиз пакетаrio. Проверьте, что данные загрузились с помощью командglimpse,headиtail.
df <- import('cereal.csv')
glimpse(df)## Observations: 77
## Variables: 16
## $ name <chr> "100% Bran", "100% Natural Bran", "All-Bran", "All-Br...
## $ mfr <chr> "N", "Q", "K", "K", "R", "G", "K", "G", "R", "P", "Q"...
## $ type <chr> "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C"...
## $ calories <int> 70, 120, 70, 50, 110, 110, 110, 130, 90, 90, 120, 110...
## $ protein <int> 4, 3, 4, 4, 2, 2, 2, 3, 2, 3, 1, 6, 1, 3, 1, 2, 2, 1,...
## $ fat <int> 1, 5, 1, 0, 2, 2, 0, 2, 1, 0, 2, 2, 3, 2, 1, 0, 0, 0,...
## $ sodium <int> 130, 15, 260, 140, 200, 180, 125, 210, 200, 210, 220,...
## $ fiber <dbl> 10.0, 2.0, 9.0, 14.0, 1.0, 1.5, 1.0, 2.0, 4.0, 5.0, 0...
## $ carbo <dbl> 5.0, 8.0, 7.0, 8.0, 14.0, 10.5, 11.0, 18.0, 15.0, 13....
## $ sugars <int> 6, 8, 5, 0, 8, 10, 14, 8, 6, 5, 12, 1, 9, 7, 13, 3, 2...
## $ potass <int> 280, 135, 320, 330, -1, 70, 30, 100, 125, 190, 35, 10...
## $ vitamins <int> 25, 0, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25...
## $ shelf <int> 3, 3, 3, 3, 3, 1, 2, 3, 1, 3, 2, 1, 2, 3, 2, 1, 1, 2,...
## $ weight <dbl> 1.00, 1.00, 1.00, 1.00, 1.00, 1.00, 1.00, 1.33, 1.00,...
## $ cups <dbl> 0.33, 1.00, 0.33, 0.50, 0.75, 0.75, 1.00, 0.75, 0.67,...
## $ rating <dbl> 68.40297, 33.98368, 59.42551, 93.70491, 34.38484, 29....head(df)## name mfr type calories protein fat sodium fiber
## 1 100% Bran N C 70 4 1 130 10.0
## 2 100% Natural Bran Q C 120 3 5 15 2.0
## 3 All-Bran K C 70 4 1 260 9.0
## 4 All-Bran with Extra Fiber K C 50 4 0 140 14.0
## 5 Almond Delight R C 110 2 2 200 1.0
## 6 Apple Cinnamon Cheerios G C 110 2 2 180 1.5
## carbo sugars potass vitamins shelf weight cups rating
## 1 5.0 6 280 25 3 1 0.33 68.40297
## 2 8.0 8 135 0 3 1 1.00 33.98368
## 3 7.0 5 320 25 3 1 0.33 59.42551
## 4 8.0 0 330 25 3 1 0.50 93.70491
## 5 14.0 8 -1 25 3 1 0.75 34.38484
## 6 10.5 10 70 25 1 1 0.75 29.50954tail(df)## name mfr type calories protein fat sodium fiber carbo
## 72 Total Whole Grain G C 100 3 1 200 3 16
## 73 Triples G C 110 2 1 250 0 21
## 74 Trix G C 110 1 1 140 0 13
## 75 Wheat Chex R C 100 3 1 230 3 17
## 76 Wheaties G C 100 3 1 200 3 17
## 77 Wheaties Honey Gold G C 110 2 1 200 1 16
## sugars potass vitamins shelf weight cups rating
## 72 3 110 100 3 1 1.00 46.65884
## 73 3 60 25 3 1 0.75 39.10617
## 74 12 25 25 2 1 1.00 27.75330
## 75 3 115 25 1 1 0.67 49.78744
## 76 3 110 25 1 1 1.00 51.59219
## 77 8 60 25 1 1 0.75 36.18756- Посмотрите на описательные статистики. Здесь пригодится функция
skim()из пакетаskimr().
skim(df)## Skim summary statistics
## n obs: 77
## n variables: 16
##
## Variable type: character
## variable missing complete n min max empty n_unique
## mfr 0 77 77 1 1 0 7
## name 0 77 77 3 38 0 77
## type 0 77 77 1 1 0 2
##
## Variable type: integer
## variable missing complete n mean sd p0 p25 p50 p75 p100 hist
## calories 0 77 77 106.88 19.48 50 100 110 110 160 ▁▁▂▅▇▃▁▁
## fat 0 77 77 1.01 1.01 0 0 1 2 5 ▇▇▁▃▁▁▁▁
## potass 0 77 77 96.08 71.29 -1 40 90 120 330 ▇▅▇▂▂▁▁▁
## protein 0 77 77 2.55 1.09 1 2 3 3 6 ▃▇▁▇▂▁▁▁
## shelf 0 77 77 2.21 0.83 1 1 2 3 3 ▅▁▁▅▁▁▁▇
## sodium 0 77 77 159.68 83.83 0 130 180 210 320 ▅▂▁▆▇▅▂▂
## sugars 0 77 77 6.92 4.44 -1 3 7 11 15 ▅▇▃▆▅▅▆▂
## vitamins 0 77 77 28.25 22.34 0 25 25 25 100 ▁▇▁▁▁▁▁▁
##
## Variable type: numeric
## variable missing complete n mean sd p0 p25 p50 p75 p100
## carbo 0 77 77 14.6 4.28 -1 12 14 17 23
## cups 0 77 77 0.82 0.23 0.25 0.67 0.75 1 1.5
## fiber 0 77 77 2.15 2.38 0 1 2 3 14
## rating 0 77 77 42.67 14.05 18.04 33.17 40.4 50.83 93.7
## weight 0 77 77 1.03 0.15 0.5 1 1 1 1.5
## hist
## ▁▁▁▃▇▇▂▃
## ▁▂▃▅▇▁▁▁
## ▇▆▂▁▁▁▁▁
## ▂▇▇▅▂▂▁▁
## ▁▁▁▇▁▁▁▁Сколько в выборке наблюдений? Сколько переменных? 77, 16
Есть ли в данных пропущенные переменные? Нет
Сколько в среднем калорий содержится в порции хлопьев? 106.88
- Постройте гистограммы для калорий (столбец
calories) и для производителей (столбецmfr). Не забудьте подписать оси и добавить название. Для выполнения упражнения понадобится командаqplot.
qplot(data = df, x = calories) +
labs(x = 'Калории', y = 'Количество', title = 'Распределение калорий')## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
qplot(data = df, x = mfr) +
labs(x = 'Производитель', y = 'Количество', title = 'Производители хлопьев')
- С помощью той же команды
qplotпостройте диаграмму рассеяния для переменныхcarbo(по оси абсцисс) иfiber(по оси ординат). Не забудьте про название графика и осей!
qplot(data = df, x = carbo, y = fiber) +
labs(x = 'Углеводы', y = 'Клетчатка', title = 'Углеводы и клетчатка в хлопьях')
- Выберите из данных те наблюдения, в которых сахара (
sugars) в проции больше, чем 10 г, а белков (protein) — меньше, чем в средней порции. Cохраните их под названиемdf_sub. Посмотрите на описательные статистики.
df_sub <- filter(df, sugars > 10, protein < mean(protein))
skim(df_sub)## Skim summary statistics
## n obs: 14
## n variables: 16
##
## Variable type: character
## variable missing complete n min max empty n_unique
## mfr 0 14 14 1 1 0 4
## name 0 14 14 4 16 0 14
## type 0 14 14 1 1 0 1
##
## Variable type: integer
## variable missing complete n mean sd p0 p25 p50 p75 p100
## calories 0 14 14 110.71 4.75 100 110 110 110 120
## fat 0 14 14 0.79 0.7 0 0 1 1 2
## potass 0 14 14 37.5 13.41 20 26.25 35 43.75 65
## protein 0 14 14 1.36 0.5 1 1 1 2 2
## shelf 0 14 14 1.79 0.43 1 2 2 2 2
## sodium 0 14 14 149.29 54.41 45 125 160 180 220
## sugars 0 14 14 12.57 1.34 11 12 12 13 15
## vitamins 0 14 14 25 0 25 25 25 25 25
## hist
## ▁▁▁▇▁▁▁▂
## ▆▁▁▇▁▁▁▂
## ▇▃▃▃▂▁▃▂
## ▇▁▁▁▁▁▁▅
## ▂▁▁▁▁▁▁▇
## ▂▂▂▃▃▁▇▆
## ▅▇▁▅▁▂▁▃
## ▁▁▁▇▁▁▁▁
##
## Variable type: numeric
## variable missing complete n mean sd p0 p25 p50 p75 p100
## carbo 0 14 14 12.07 1.33 9 11.25 12 13 14
## cups 0 14 14 0.94 0.16 0.75 0.78 1 1 1.33
## fiber 0 14 14 0.43 0.51 0 0 0 1 1
## rating 0 14 14 28.24 5.39 18.04 23.74 28.38 32.01 35.78
## weight 0 14 14 1 0 1 1 1 1 1
## hist
## ▂▁▁▅▇▁▅▃
## ▃▁▁▇▁▁▁▁
## ▇▁▁▁▁▁▁▆
## ▂▅▂▂▇▂▇▅
## ▁▁▁▇▁▁▁▁- Сколько в среднем клетчатки в отобранных данных? 0.43
- Добавьте в исходные данные
dfстолбецweight_gс весом пачки хлопьев в граммах. Вам понадобится функцияmutate. В одной унции приблизительно 28 грамм :)
df <- mutate(df, weight_g = weight * 28)
skim(df)## Skim summary statistics
## n obs: 77
## n variables: 17
##
## Variable type: character
## variable missing complete n min max empty n_unique
## mfr 0 77 77 1 1 0 7
## name 0 77 77 3 38 0 77
## type 0 77 77 1 1 0 2
##
## Variable type: integer
## variable missing complete n mean sd p0 p25 p50 p75 p100 hist
## calories 0 77 77 106.88 19.48 50 100 110 110 160 ▁▁▂▅▇▃▁▁
## fat 0 77 77 1.01 1.01 0 0 1 2 5 ▇▇▁▃▁▁▁▁
## potass 0 77 77 96.08 71.29 -1 40 90 120 330 ▇▅▇▂▂▁▁▁
## protein 0 77 77 2.55 1.09 1 2 3 3 6 ▃▇▁▇▂▁▁▁
## shelf 0 77 77 2.21 0.83 1 1 2 3 3 ▅▁▁▅▁▁▁▇
## sodium 0 77 77 159.68 83.83 0 130 180 210 320 ▅▂▁▆▇▅▂▂
## sugars 0 77 77 6.92 4.44 -1 3 7 11 15 ▅▇▃▆▅▅▆▂
## vitamins 0 77 77 28.25 22.34 0 25 25 25 100 ▁▇▁▁▁▁▁▁
##
## Variable type: numeric
## variable missing complete n mean sd p0 p25 p50 p75 p100
## carbo 0 77 77 14.6 4.28 -1 12 14 17 23
## cups 0 77 77 0.82 0.23 0.25 0.67 0.75 1 1.5
## fiber 0 77 77 2.15 2.38 0 1 2 3 14
## rating 0 77 77 42.67 14.05 18.04 33.17 40.4 50.83 93.7
## weight 0 77 77 1.03 0.15 0.5 1 1 1 1.5
## weight_g 0 77 77 28.83 4.21 14 28 28 28 42
## hist
## ▁▁▁▃▇▇▂▃
## ▁▂▃▅▇▁▁▁
## ▇▆▂▁▁▁▁▁
## ▂▇▇▅▂▂▁▁
## ▁▁▁▇▁▁▁▁
## ▁▁▁▇▁▁▁▁Какой средний вес порции хлопьев в граммах? 28.83
- Отсортируйте исходные данные
dfпо рейтингу покупателей с помощью функцииarrange, сохраните результат в переменнойsortedи посмотрите на её содержимое.
sorted <- arrange(df, rating)
sorted## name mfr type calories protein fat
## 1 Cap'n'Crunch Q C 120 1 2
## 2 Cinnamon Toast Crunch G C 120 1 3
## 3 Honey Graham Ohs Q C 120 1 2
## 4 Count Chocula G C 110 1 1
## 5 Cocoa Puffs G C 110 1 1
## 6 Golden Grahams G C 110 1 1
## 7 Lucky Charms G C 110 2 1
## 8 Trix G C 110 1 1
## 9 Fruity Pebbles P C 110 1 1
## 10 Total Raisin Bran G C 140 3 1
## 11 Honey-comb P C 110 1 0
## 12 Apple Cinnamon Cheerios G C 110 2 2
## 13 Nut&Honey Crunch K C 120 2 1
## 14 Mueslix Crispy Blend K C 160 3 2
## 15 Oatmeal Raisin Crisp G C 130 3 2
## 16 Honey Nut Cheerios G C 110 3 1
## 17 Smacks K C 110 2 1
## 18 Frosted Flakes K C 110 1 0
## 19 Froot Loops K C 110 2 1
## 20 Apple Jacks K C 110 2 0
## 21 100% Natural Bran Q C 120 3 5
## 22 Muesli Raisins; Peaches; & Pecans R C 150 4 3
## 23 Almond Delight R C 110 2 2
## 24 Golden Crisp P C 100 2 0
## 25 Corn Pops K C 110 1 0
## 26 Crispy Wheat & Raisins G C 100 2 1
## 27 Wheaties Honey Gold G C 110 2 1
## 28 Just Right Fruit & Nut K C 140 3 1
## 29 Just Right Crunchy Nuggets K C 110 2 1
## 30 Basic 4 G C 130 3 2
## 31 Muesli Raisins; Dates; & Almonds R C 150 4 3
## 32 Post Nat. Raisin Bran P C 120 3 1
## 33 Total Corn Flakes G C 110 2 1
## 34 Triples G C 110 2 1
## 35 Kix G C 110 2 1
## 36 Raisin Bran K C 120 3 1
## 37 Raisin Nut Bran G C 100 3 2
## 38 Multi-Grain Cheerios G C 100 2 1
## 39 Clusters G C 110 3 2
## 40 Cracklin' Oat Bran K C 110 3 3
## 41 Rice Krispies K C 110 2 0
## 42 Nutri-Grain Almond-Raisin K C 140 3 2
## 43 Fruit & Fibre Dates; Walnuts; and Oats P C 120 3 2
## 44 Fruitful Bran K C 120 3 0
## 45 Corn Chex R C 110 2 0
## 46 Product 19 K C 100 3 0
## 47 Rice Chex R C 110 1 0
## 48 Double Chex R C 100 2 0
## 49 Life Q C 100 4 2
## 50 Great Grains Pecan P C 120 3 3
## 51 Corn Flakes K C 100 2 0
## 52 Total Whole Grain G C 100 3 1
## 53 Crispix K C 110 2 0
## 54 Bran Chex R C 90 2 1
## 55 Quaker Oat Squares Q C 100 4 1
## 56 Wheat Chex R C 100 3 1
## 57 Cheerios G C 110 6 2
## 58 Quaker Oatmeal Q H 100 5 2
## 59 Wheaties G C 100 3 1
## 60 Grape Nuts Flakes P C 100 3 1
## 61 Special K K C 110 6 0
## 62 Bran Flakes P C 90 3 0
## 63 Grape-Nuts P C 110 3 0
## 64 Maypo A H 100 4 1
## 65 Raisin Squares K C 90 2 0
## 66 Frosted Mini-Wheats K C 100 3 0
## 67 Strawberry Fruit Wheats N C 90 2 0
## 68 All-Bran K C 70 4 1
## 69 Nutri-grain Wheat K C 90 3 0
## 70 Puffed Rice Q C 50 1 0
## 71 Puffed Wheat Q C 50 2 0
## 72 Cream of Wheat (Quick) N H 100 3 0
## 73 Shredded Wheat N C 80 2 0
## 74 100% Bran N C 70 4 1
## 75 Shredded Wheat spoon size N C 90 3 0
## 76 Shredded Wheat 'n'Bran N C 90 3 0
## 77 All-Bran with Extra Fiber K C 50 4 0
## sodium fiber carbo sugars potass vitamins shelf weight cups rating
## 1 220 0.0 12.0 12 35 25 2 1.00 0.75 18.04285
## 2 210 0.0 13.0 9 45 25 2 1.00 0.75 19.82357
## 3 220 1.0 12.0 11 45 25 2 1.00 1.00 21.87129
## 4 180 0.0 12.0 13 65 25 2 1.00 1.00 22.39651
## 5 180 0.0 12.0 13 55 25 2 1.00 1.00 22.73645
## 6 280 0.0 15.0 9 45 25 2 1.00 0.75 23.80404
## 7 180 0.0 12.0 12 55 25 2 1.00 1.00 26.73451
## 8 140 0.0 13.0 12 25 25 2 1.00 1.00 27.75330
## 9 135 0.0 13.0 12 25 25 2 1.00 0.75 28.02576
## 10 190 4.0 15.0 14 230 100 3 1.50 1.00 28.59278
## 11 180 0.0 14.0 11 35 25 1 1.00 1.33 28.74241
## 12 180 1.5 10.5 10 70 25 1 1.00 0.75 29.50954
## 13 190 0.0 15.0 9 40 25 2 1.00 0.67 29.92429
## 14 150 3.0 17.0 13 160 25 3 1.50 0.67 30.31335
## 15 170 1.5 13.5 10 120 25 3 1.25 0.50 30.45084
## 16 250 1.5 11.5 10 90 25 1 1.00 0.75 31.07222
## 17 70 1.0 9.0 15 40 25 2 1.00 0.75 31.23005
## 18 200 1.0 14.0 11 25 25 1 1.00 0.75 31.43597
## 19 125 1.0 11.0 13 30 25 2 1.00 1.00 32.20758
## 20 125 1.0 11.0 14 30 25 2 1.00 1.00 33.17409
## 21 15 2.0 8.0 8 135 0 3 1.00 1.00 33.98368
## 22 150 3.0 16.0 11 170 25 3 1.00 1.00 34.13976
## 23 200 1.0 14.0 8 -1 25 3 1.00 0.75 34.38484
## 24 45 0.0 11.0 15 40 25 1 1.00 0.88 35.25244
## 25 90 1.0 13.0 12 20 25 2 1.00 1.00 35.78279
## 26 140 2.0 11.0 10 120 25 3 1.00 0.75 36.17620
## 27 200 1.0 16.0 8 60 25 1 1.00 0.75 36.18756
## 28 170 2.0 20.0 9 95 100 3 1.30 0.75 36.47151
## 29 170 1.0 17.0 6 60 100 3 1.00 1.00 36.52368
## 30 210 2.0 18.0 8 100 25 3 1.33 0.75 37.03856
## 31 95 3.0 16.0 11 170 25 3 1.00 1.00 37.13686
## 32 200 6.0 11.0 14 260 25 3 1.33 0.67 37.84059
## 33 200 0.0 21.0 3 35 100 3 1.00 1.00 38.83975
## 34 250 0.0 21.0 3 60 25 3 1.00 0.75 39.10617
## 35 260 0.0 21.0 3 40 25 2 1.00 1.50 39.24111
## 36 210 5.0 14.0 12 240 25 2 1.33 0.75 39.25920
## 37 140 2.5 10.5 8 140 25 3 1.00 0.50 39.70340
## 38 220 2.0 15.0 6 90 25 1 1.00 1.00 40.10596
## 39 140 2.0 13.0 7 105 25 3 1.00 0.50 40.40021
## 40 140 4.0 10.0 7 160 25 3 1.00 0.50 40.44877
## 41 290 0.0 22.0 3 35 25 1 1.00 1.00 40.56016
## 42 220 3.0 21.0 7 130 25 3 1.33 0.67 40.69232
## 43 160 5.0 12.0 10 200 25 3 1.25 0.67 40.91705
## 44 240 5.0 14.0 12 190 25 3 1.33 0.67 41.01549
## 45 280 0.0 22.0 3 25 25 1 1.00 1.00 41.44502
## 46 320 1.0 20.0 3 45 100 3 1.00 1.00 41.50354
## 47 240 0.0 23.0 2 30 25 1 1.00 1.13 41.99893
## 48 190 1.0 18.0 5 80 25 3 1.00 0.75 44.33086
## 49 150 2.0 12.0 6 95 25 2 1.00 0.67 45.32807
## 50 75 3.0 13.0 4 100 25 3 1.00 0.33 45.81172
## 51 290 1.0 21.0 2 35 25 1 1.00 1.00 45.86332
## 52 200 3.0 16.0 3 110 100 3 1.00 1.00 46.65884
## 53 220 1.0 21.0 3 30 25 3 1.00 1.00 46.89564
## 54 200 4.0 15.0 6 125 25 1 1.00 0.67 49.12025
## 55 135 2.0 14.0 6 110 25 3 1.00 0.50 49.51187
## 56 230 3.0 17.0 3 115 25 1 1.00 0.67 49.78744
## 57 290 2.0 17.0 1 105 25 1 1.00 1.25 50.76500
## 58 0 2.7 -1.0 -1 110 0 1 1.00 0.67 50.82839
## 59 200 3.0 17.0 3 110 25 1 1.00 1.00 51.59219
## 60 140 3.0 15.0 5 85 25 3 1.00 0.88 52.07690
## 61 230 1.0 16.0 3 55 25 1 1.00 1.00 53.13132
## 62 210 5.0 13.0 5 190 25 3 1.00 0.67 53.31381
## 63 170 3.0 17.0 3 90 25 3 1.00 0.25 53.37101
## 64 0 0.0 16.0 3 95 25 2 1.00 1.00 54.85092
## 65 0 2.0 15.0 6 110 25 3 1.00 0.50 55.33314
## 66 0 3.0 14.0 7 100 25 2 1.00 0.80 58.34514
## 67 15 3.0 15.0 5 90 25 2 1.00 1.00 59.36399
## 68 260 9.0 7.0 5 320 25 3 1.00 0.33 59.42551
## 69 170 3.0 18.0 2 90 25 3 1.00 1.00 59.64284
## 70 0 0.0 13.0 0 15 0 3 0.50 1.00 60.75611
## 71 0 1.0 10.0 0 50 0 3 0.50 1.00 63.00565
## 72 80 1.0 21.0 0 -1 0 2 1.00 1.00 64.53382
## 73 0 3.0 16.0 0 95 0 1 0.83 1.00 68.23588
## 74 130 10.0 5.0 6 280 25 3 1.00 0.33 68.40297
## 75 0 3.0 20.0 0 120 0 1 1.00 0.67 72.80179
## 76 0 4.0 19.0 0 140 0 1 1.00 0.67 74.47295
## 77 140 14.0 8.0 0 330 25 3 1.00 0.50 93.70491
## weight_g
## 1 28.00
## 2 28.00
## 3 28.00
## 4 28.00
## 5 28.00
## 6 28.00
## 7 28.00
## 8 28.00
## 9 28.00
## 10 42.00
## 11 28.00
## 12 28.00
## 13 28.00
## 14 42.00
## 15 35.00
## 16 28.00
## 17 28.00
## 18 28.00
## 19 28.00
## 20 28.00
## 21 28.00
## 22 28.00
## 23 28.00
## 24 28.00
## 25 28.00
## 26 28.00
## 27 28.00
## 28 36.40
## 29 28.00
## 30 37.24
## 31 28.00
## 32 37.24
## 33 28.00
## 34 28.00
## 35 28.00
## 36 37.24
## 37 28.00
## 38 28.00
## 39 28.00
## 40 28.00
## 41 28.00
## 42 37.24
## 43 35.00
## 44 37.24
## 45 28.00
## 46 28.00
## 47 28.00
## 48 28.00
## 49 28.00
## 50 28.00
## 51 28.00
## 52 28.00
## 53 28.00
## 54 28.00
## 55 28.00
## 56 28.00
## 57 28.00
## 58 28.00
## 59 28.00
## 60 28.00
## 61 28.00
## 62 28.00
## 63 28.00
## 64 28.00
## 65 28.00
## 66 28.00
## 67 28.00
## 68 28.00
## 69 28.00
## 70 14.00
## 71 14.00
## 72 28.00
## 73 23.24
## 74 28.00
## 75 28.00
## 76 28.00
## 77 28.00- Какова самая низкая оценка покупателей? Самая высокая? 18.04, 93.7
- Экспортируйте отсортированные данные
sortedв файл форматаxlsxс названиемcereal_sorted.xlsx.
export(sorted, 'cereal_sorted.xlsx')