实际案例演示：用Rattle进行数据探究

1.概述

数据探索研究的主要作用是利用人的直觉来识别模式，实际上人们往往能够识别数据分析工具所不能发现的模式。

2.主题

关于最低温度在晴天、雨天情况下是否有影响的数据探究。

3.背景

rattle包中的weather数据集

3.1.数据集描述

气象数据集（366）

1 (1).png

1 (2).png

气象数据集变量

No. 变量 描述
1 Date 日期
2 Location 位置
3 MinTemp 最低温度
4 MaxTemp 最高温度
5 Rainfall 降雨量
6 Evaporation 蒸发量
7 Sunshine 阳光
8 WindGustDir 阵风风向
9 WindGustSpeed 阵风风速
10 WindDir9am 上午9点风向
11 WindDir3pm 下午3点风向
12 WindSpeed9am 上午9点风速
13 WindSpeed3pm 下午3点风速
14 Humidity9am 上午9点湿度
15 Humidity3pm 下午3点湿度
16 Pressure9am 上午9点气压
17 Pressure3pm 下午3点气压
18 Cloud9am 上午9点云量
19 Cloud3pm 下午3点云量
20 Temp9am 上午9点温度
21 Temp3pm 下午3点温度
22 RainToday 今天有雨
23 RISK_MM 风险
24 RainTomorrow 明天有雨

4.数据挖掘流程

4.1.数据导入

把总的样本量分区为70/15/15，即总样本量nobs=366，训练集train=366x70%=256，验证集validate=366x15%=55，测试集test=366x15%=55

image.png

image.png

4.2.数据描述性统计

一个数据很可能有很多变量和很多观测值。但那么多的数字也可用一些简单的表格、图形和少数汇总数字来描述。这些描述的方法被称为描述统计学，也可以称为探索性数据分析。
描述统计的目的在于帮助展示和理解数据。

4.2.1.数据概要

执行summary数据概要探索

image.png

image.png

4.2.2.数据详细描述

执行describe数据详细描述探索

image.png

image.png

image.png

image.png

4.3.数据分布探索

4.3.1.箱线图 - Box Plot

以“最低温度MinTemp”为指标，以“明天有雨RainTomrrow”为分类，画箱线图，探索气象数据分布情况。

image.png

分析报告：
箱线图显示了“明天有雨”在All、No、Yes三种情况下最低温度数据的分布情况。
“All”所有气象数据最低温度分布情况，最小值-5.30，最大值20.90，中位数7.45，均值7.27；
“No”明天没雨最低温度分布情况，最小值-5.300，最大值17.900，中位数6.350，均值6.607；
“Yes”明天有雨最低温度分布情况，最小值-2.30，最大值20.90，中位数12.20，均值10.26；

总结：从箱线图可以简单看出，当我们是晴天的时候，它的最小温度整体情况会比下雨天略高；

4.3.2.直方图 - Histogram

以“最低温度MinTemp”为指标，以“明天有雨RainTomrrow”为分类，画直方图，探索气象数据分布情况。

image.png

分析报告：
直方图显示了“明天有雨”在All、No、Yes三种情况下最低温度数据的频率情况。最低温度分布区间主要在（-5-20）之间，而（0-5）最低温度区间出现频率最高，其次就是（10-15）和（5-10）这两个最低温度区间。

总结：从直方图可以简单看出，当我们是晴天的时候，它的最小温度整体情况会比下雨天略高；晴天最低温度相对平衡，下雨天最低温度变化相对较大。

4.3.3.累积分布图 - Cumulative

以“最低温度MinTemp”为指标，以“明天有雨RainTomrrow”为分类，画累积分布图，探索气象数据分布情况。

image.png

分析报告：
累积分布图显示了“明天有雨”在All、No、Yes三种情况下最低温度数据的概率比例密度情况。

总结：从累积分布图可以简单看出，当我们是晴天的时候，它的最小温度普遍高于下雨天；

4.3.4.本福特图 - Benford

本福特定律，也称为本福德法则，说明一堆从实际生活得出的数据中，以1为首位数字的数的出现机率约为总数的三成，接近期望值1/9的3倍。推广来说，越大的数，以它为首几位的数出现的机率就越低。它可用于检查各种数据是否有造假。

image.png

分析报告：
数据真实，值得参考。

4.3.5.柱状图

以“明天有雨RainTomrrow”为分类，画柱状图，探索的气象数据分布情况。

image.png

分析报告：
很明显，气象数据集中天气以晴天为主。

4.3.6.点图

以“明天有雨RainTomrrow”为分类，画点图，探索气象数据分布情况。

image.png

分析报告：
很明显，气象数据集中天气以晴天为主。

4.3.7.马赛克图

以“明天有雨RainTomrrow”为分类，画点图，探索气象数据分布情况。

image.png

分析报告：
很明显，气象数据集中天气以晴天为主。

4.4.相关性探索

在建模之前，我们会对数据进行探索，了解各个变量之间的关系，再判断是否进行下一步的研究。

4.4.1.计算相关系数

image.png

分析报告：
从相关系数可以看出，Pressure9am与Pressure3pm强相关（0.96897642）；MaxTemp与Temp3pm强相关（0.99257660）；

4.4.2.相关系数图

image.png

这是对数据分析与挖掘的基本步骤过程，后续有时间的话会往更细方面进行挖掘分析。