试给一个实际问题的数据并给R语言代码进行对应分析

假设我们有一个实际问题，比如我们要分析某个电商网站的用户购买行为数据，其中包含每个用户的ID、购买日期、产品类别、购买数量和购买金额。我们可以创建一个简单的DataFrame来表示这个数据集：

# 创建一个示例数据框
library(tidyverse)  # 加载常用数据分析库

data <- tibble(
  user_id = c(101, 102, 103, 104, 105),
  purchase_date = as.Date(c("2022-01-01", "2022-01-15", "2022-02-01", "2022-02-14", "2022-03-01")),
  product_category = c("Electronics", "Clothing", "Electronics", "Home Goods", "Clothing"),
  quantity = c(2, 1, 3, 4, 2),
  amount = c(500, 75, 1000, 800, 400)
)

head(data)  # 查看数据前6行

在这个例子中，我们可以进行如下的基本分析：
1. **描述性统计**：计算每个类别的总购买量和总金额。
2. **时间序列分析**：查看用户的购买频率或趋势是否有季节性变化。
3. **关联性分析**：探究产品类别与购买数量、金额之间的关系。

对应的R语言代码可以是：

# 描述性统计
summary_by_category <- data %>%
  group_by(product_category) %>%
  summarize(total_quantity = sum(quantity), total_amount = sum(amount))

# 时间序列分析
purchase_timeline <- ggplot(data, aes(x = purchase_date, y = quantity)) +
  geom_line(aes(color = product_category)) +
  labs(title = "User Purchase Quantity Over Time")

# 关联性分析
correlation_matrix <- cor(data[, c("quantity", "amount")], use = "complete.obs")