R语言学习（二）数据分析数据探索

第三章 数据探索

• 什么是数据探索
  数据探索：检测数据，了解数据，这一步只做数据的分析，下一步针对这一步的分析结果，做数据的预处理。
  书上的定义：对样本数据集的结构和规律进行分析的过程就是数据探索。数据探索有助于选择合适的数据预处理和建模方法。
  为什么叫套路的总结：比如你初到某个地方，要了解这个地方，第一件事情就是可以随便逛随便观察，了解这个地方的结构，数据探索就是做这个事情的。

• 分类
  数据质量分析。
  数据特征分析。

3.1数据质量分析

1.主要任务

• 缺失值。
• 异常值，甚至不一致的值。
• 重复数据。
• 含有特殊符号的数据（如% # /等）。

2.缺失值分析

• 缺失值产生的原因：各种原因。
• 主要内容：缺失值的个数；缺失率。
• 处理方式：对缺失值进行插值或者直接删掉。
  • 注意：这个不是数据质量分析，这个是数据预处理的内容。

3.异常值分析

• 异常值也称为离群点，异常值也称为离群点分析。
• 简单统计量分析：对变量做一个描述型统计，最常用的统计量是最大值和最小值，用来判断这个变量是否有问题。
  • 如客户年龄这个变量最大值为199岁，则易知这个变量取值存在异常。
• 3delta原则：如数据服从正态分布，则取值与mean超过3标准差的值为异常值。-> 极小概率事件为异常值。
  

- 箱形图分析

• QU：上四分位置——数据按大小分四段，中段（2和3）最上面值。
• QL：下四分位。
• IQR：四分位间距
• 箱形图分析：异常值通常被定义为小于QL -1.5IQR或大于QU +1.5IQR的值。

缺失值——complete.cases() 帮助系统 ?complete.cases

> ?complete.cases
> saledata=read.csv(file = "G://!！aaclassnew//R语言//20181011//catering_sale.csv",header = TRUE)
> View(saledata)
> attributes(saledata)
> str(saledata)
> complete.cases(saledata)

> #利用setwd设置工作空间
> setwd("G:\!！aaclassnew\R语言\20181011")
Error: '\!' is an unrecognized escape in character string starting ""G:\!"
> setwd("G:/!！aaclassnew/R语言/20181011")
> #读入数据
> saledata=read.csv(file="catering_sale.csv",header = T)
> #缺失值检测并打印结果，利用sum()和mean()函数来分别获取缺失样本数、缺失比例
> sum(!complete.cases(saledata))
[1] 1
> sum(complete.cases(saledata))
[1] 200
> mean(!complete.cases(saledata))
[1] 0.004975124
> saledata[!complete.cases(saledata),]
        日期 销量
15 2015/2/14   NA
> #异常值检测箱线图
> sp=boxplot(saledata$"销量",boxwex=0.7)
> title("销量异常值检测箱线图")
> xi=1.1
> sd.s=sd(saledata[complete.cases(saledata),]$"销量")
> mn.s=mean(saledata[complete.cases(saledata),]$"销量")
> points(xi,mn.s,col="red",pch=18)
> arrows(xi,mn.s-sd.s,xi,mn.s+sd.s,code = 3,col = "pink",angle = 75,length = .1)
> text(rep(c(1.05,1.05,0.95,0.95),length=length(sp$out)),labels = sp$out[order(sp$out)],
+      + sp$out[order(sp$out)]+rep(c(150,-150,150,-150),length=length(sp$out)),col = "red")

4.一致性分析

• 是指数据相互矛盾，不一致。
• 常发生在不同数据源集成的过程中。

3.2数据特征分析

1.分布分析

对数据整体的一个可视化，从而对数据有个大致的认识。

• 计算出变量的频率分布表，并画出频率分布直方图。
• 基本步骤——就是画频率直方图的步骤：
  • 求出极差：最大值-最小值
  • 决定组距和组数
  • 决定画图时分布区间
  • 列出频率分布表
  • 绘制直方图

2.对比分析

对两个或多个变量进行比较分析。
绝对值对比或相对值对比。

3.统计量分析

常用指标：集中趋势和离中趋势。

• 集中趋势量
  • 均值/期望：什么是均值；什么是期望。
  • 中位数：中间那个位置的数——思考偶数个数值和基数个数值的处理。
  • 众数：数据集中出现最频繁的值——不具唯一性。
• 离中趋势量
  • 极差
  • 标准差
  • 变异系数：标准差相对于均值的离中趋势。
  • 四分位数间距

    setwd("G://!！aaclassnew//R语言//20181011")
    saledata=read.table(file="catering_sale.csv",sep = ",",header = TRUE)
    sales=saledata[,2]
    
    #统计量分析
    #均值
    mean_=mean(sales,na.rm=T)
    #中位数
    median_=median(sales,na.rm=T)
    #极差
    range_=max(sales,na.rm=T)-min(sales,na.rm=T)
    #标准差
    std_=sqrt(var(sales,na.rm=T))
    #变异系数
    variation_=std_/mean_
    #四分位数间距
    q1=quantile(sales,0.25,na.rm = T)
    q3=quantile(sales,0.75,na.rm = T)
    distance=q3-q1
	a=matrix(c(mean_,median_,range_,std_,variation_,q1,q3,distance),1,byrow = T)
	colnames(a)=c("均值","中位数","极差","标准差","变异系数","1/4分位数","3/4分位数","四分位间距")
	print(a)

4.周期性分析

画出变量值-时间轴曲线。

5.相关性分析

• 相关关系：若变量之间存在密切的关系，但又不能由一个或几个变量的值确定另一个变量的值，当自变量x取一定值时，因变量y的值可能有多个，这种变量之间的非一一对应的、不确定的关系，称为相关关系。
• 相关性分析：分析连续变量之间线性相关程度的强弱，并用统计指标表示出来的过程。
• 分析方法：
  • 可视化——直接绘制散点图：
    • 完全相关：一个变量的取值完全取决于另一个变量。
    • 相关
    • 不相关
  • 计算相关系数：
    • Pearson相关系数——要求连续变量取值服从正态分布。
      
      

setwd("G:/!！aaclassnew/R语言/20181011")
cordata=read.csv(file = "catering_sale_all.csv",header = T)
cor(cordata[,2:11])

3.3 R语言主要数据探索函数

1.统计特征函数

算术平均数：n<-mean(X)。
- X可为向量、矩阵或多维数组：当成一维计算所有元素的平均值。

• 方差var(): v<-var(X)。
  • 若X为向量，计算向量的样本方差；若X为矩阵，则v为各列矩阵向量的样本方差构成的行向量。
• 标准差sd():s=sd(X)——类似var()
• 相关关系矩阵cor():
  • R<-cor(x,y=NULL,use=“everything”,method=c(“person”,”Kendall”,”spearman”))
  • 计算列向量x,y的相关系数矩阵R。
  • use,method参数取值。
• 协方差矩阵cov(): R<-cov(x)
  • 若x为向量，R表示x的方差；x为矩阵，cov(x)计算协方差矩阵
  • cov(x,y)：其中x，y为长度相等的列向量相当于 cov(cbind(x,y))

2.统计作图函数

barplot(x):画条形图。
X可为向量或矩阵。若x为矩阵，依次按列画出条形图。

二维条形直方图
hist(x,freq=TRUE)
X为向量；
把x中的数值自动分组，各组组距相等，条形图每一条的高度表示频率或者频数——频数条形图；频率条形图。
breaks用来设置分组
- 其为一个数值向量时，则为其分组
- 若为一个整数，代表建议R所采取的分组数。
与barplot区别：
- 条形图中间有间隔，多用于分类数据作图。
- 直方图各条中间没有间隔，多用于连续型数据分段作图

箱图：boxplot
箱图:boxplot(x)—绘制向量x的箱形图
中间的箱子的上下边，分别是第三，一个四分位数。
中间的黑线是第二四分位数（中位数）。
设r是变量的四分位距，箱图上方的小横线是小于或等于第三个四分位数+1.5r的最大观测值。同时下方的小横线是，大于等于第一个四分位数减去1.5r的最大的观测值。
图中的小白圈，代表很大可能性上是离群点(outlier).(在其他图中也适用）

函数图/散点图：plot(x,y)
X、y为向量；以x为横轴，y为重轴，画图。
参数teype指定绘图样式
- “o”：散点
- “l”：曲线
- “b”：点线混合
单变量散点图：dotchat(x)
- x为向量或者矩阵，若为矩阵则按列画散点图，然后拼到一起。