R语言之基本统计分析
准备工作
加载需要使用的库
library(pastecs)
library(psych)
library(ggm)
读取数据，使用H1N1流感数据集和波士顿房价数据集。
flu <- read.table("./datasets/h1n1_flu.csv", header = TRUE, sep = ",")
housing <- read.csv("./datasets/BostonHousing.csv", header = TRUE)
多种方法获取描述性统计量
基础方法
通过summary计算数值型变量的最大值、最小值、分位数以及均值，类别变量计算频数统计。
summary(flu[c("household_children", "sex")])
summary(flu[c("h1n1_concern", "h1n1_knowledge")])
通过 sapply() 计算描述性统计量，先定义统计函数，在进行聚合计算。
mystats <- function(x, na.omit = TRUE) {
if (na.omit) {
x <- x[!is.na(x)]
}
m <- mean(x)
n <- length(x)
s <- sd(x)
skew <- sum((x - m)^3 / s^3) / n
kurt <- sum((x - m)^4 / s^4) / n - 3
return(c(n = n, mean = m, stdev = s, skew = skew, kurtosis = kurt))
}
sapply(flu[c("h1n1_concern", "h1n1_knowledge")], mystats)
拓展包方法
通过pastecs包中的 stat.desc()函数计算描述性统计量，可以得到中位数、平均数、平均数的标准误、平均数置信度为95%的置信区间、方差、标准差以及变异系数。
stat.desc(flu[c("household_children", "sex")])
通过psych包中的describe()计算描述性统计量。
describe(flu[c("household_children", "sex")])
分组计算描述性统计
基础方法
使用aggregate()分组获取描述性统计
- 分组计算不同性别收入贫困计数。
- 是否属于查尔斯河的房价中位数平均值。
aggregate(flu[c("income_poverty")], by = list(sex = flu$sex), length)
aggregate(housing$medv, by = list(medv = housing$chas), FUN = mean)
使用 by() 分组计算描述性统计量
by(flu[c("income_poverty", "sex")], flu$sex, length)
频数表和列联表
table(flu$sex)
相关
相关的类型
Pearson、Spearman和Kendall相关
R可以计算多种相关系数，包括Pearson相关系数、Spearman相关系数、Kendall相关系数、偏相关系数、多分格（polychoric）相关系数和多系列（polyserial）相关系数。
- 计算房价数据的相关系数，默认是Pearson相关系数。
cor(housing)
2. 指定计算Spearman相关系数
cor(housing, method = "spearman")
3. 城镇人均犯罪率与房价的相关系数
x <- housing[c("crim")]
y <- housing[c("medv")]
cor(x, y)
犯罪率与房价负相关，犯罪率越高，房价越低，符合事实。
相关性的显著性检验
cor.test(housing[, c("crim")], housing[, c("medv")])
方差分析
方差分析（ANOVA）又称“变异数分析”或“F检验”，用于两个及两个以上样本均数差别的显著性检验。
单因素方差分析
从输出结果的F检验值来看，p<0.05比较显著，说明是否在查尔斯河对房价有影响。
fit <- aov(housing$medv ~ housing$chas)
summary(fit)
多因素方差分析
构建多因素方差分析，查看因子对房价的影响是否显著。
fit <- aov(housing$medv ~ housing$crim * housing$b)
summary(fit)
参考资料
- Datawhale 开源文档：https://github.com/datawhalechina/team-learning-program/blob/master/RLanguage/Task03_Statistics.rmd