我們在資料中發現男性和女性的戶長人數有明顯的差距，我們認為這和台灣傳統“男主外，女主內”的刻板印象有關。但我們也發現女性的戶長人數在100~106年間也有增長的趨勢。因此我們假設台灣女性戶長比例會逐年增長，而增長的原因和綜合所得總額的平均高低有關。為了證明我們的假設，我們先製作台灣106年的男女戶長比例長條圖。
資料讀取
load("C:/Users/CCCM_3051/Downloads/R textbook-20200725/R textbook/data/camp.Rdata")
#讀取資料
library(dplyr)
library(ggplot2)
library(tidyr)資料處理
options(scipen= 999)
df%>%filter(year==106)%>%
summarise(women_total=sum(戶長女性人數,na.rm=T),
men_total = sum(戶長男性人數,na.rm = T))%>%
gather(key="性別",value="number",1:2)%>%
ggplot(aes(x=性別,y=number)) +
geom_bar(stat = "identity")
這張長條圖可以證明我們的假設，106年台灣男性戶長比例比女性戶長比例高，男性有491萬名戶長女性則有363萬名，因此我們再製作台灣女性戶長在100~106年的比例變化
df %>% group_by(year) %>%
summarise(women_total=sum(戶長女性人數,na.rm=T),
men_total = sum(戶長男性人數,na.rm = T))%>%
mutate(women_rate = women_total/(women_total+men_total))%>%
ggplot(aes(year,women_rate))+geom_line() ## `summarise()` ungrouping output (override with `.groups` argument)
整理說明 : 從這張折線圖中我們可以看到100~106年全台灣女性的戶長的人數有明顯的逐年增長，但此圖僅能顯示出全台灣女性戶長的比例變化，無法看出各縣市的變化，因此我們取五都製作下一張圖。
df %>% group_by(year,縣市名稱) %>%
filter(縣市名稱 == c("臺北市","新北市","臺中市","臺南市","高雄市")) %>%
summarise(women_total=sum(戶長女性人數,na.rm=T),
men_total = sum(戶長男性人數,na.rm = T))%>%
mutate(women_rate = women_total/(women_total+men_total))%>%
ggplot(aes(year,women_rate,color=縣市名稱))+geom_line() ## `summarise()` regrouping output by 'year' (override with `.groups` argument)
這張折線圖就是五都的逐年變化，分別是台北市,新北市,台中市,台南市,高雄市，各都皆逐年增長，但五都的比例仍然看得出差距，為了證明這是否和綜合所得的差異有相關，因此我們製作下一張圖
library(tidyr)
library(dplyr)
library(ggplot2)
df %>% group_by(鄉鎮市區名稱) %>%
filter(year == 106,平均數 < 2500)%>%
mutate(WOMEN_RATE=戶長女性人數/(戶長女性人數+戶長男性人數)) ->df1
ggplot(df1,aes(平均數,WOMEN_RATE,colour=村里名稱))+geom_point(show.legend = F)
這張點狀圖以全台灣鄉鎮市區為單位進行分析,從這張圖可以發現平均所得越高,女性為戶長的比例越高,故兩者呈正相關
結論、策略建議