之前学了一些基本图形及数据操作的知识。接下来逐步开始探索数据的规律及分布特征。这一节主要学习了描述、评价数据特征及数据间的关系。
1、常用数学函数统计
注意此时数据对象为连续型变量！
（1）整体描述
- summary() 函数依次返回 最小值，.25，.5（中位数），平均值，.75，最大值 6个统计量
mt <- mtcars[c("mpg", "hp", "wt", "am")]
summary(mt)
summary
- 自建返回指定统计量的功能函数
- function&sapply
mystats <- function(x, na.omit=FALSE){ #自建函数
if (na.omit)
x <- x[!is.na(x)] #删除含有缺失值的观测
m <- mean(x) #返回平均值
n <- length(x) #返回观测数量
s <- sd(x) #返回标准差
skew <- sum((x-m)^3/s^3)/n #计算偏度
kurt <- sum((x-m)^4/s^4)/n - 3 #计算峰度
return(c(num=n, mean=m, stdev=s, skew=skew, kurtosis=kurt)) #返回的标签
}
myvars <- c("mpg", "hp", "wt")
sapply(mtcars[myvars], mystats)
#sapply()可以插入的典型函数有mean(),sd(),var()等
偏度与峰度是描述正态分布曲线的两个特征参数。简单来说，偏度是衡量随机变量概率分布的不对称性；峰度是研究数据分布陡峭或平滑的统计量。对于标准正态分布，二者均为0，详见文章
sapply
补充：其它几个包里的统计函数
library(Hmisc)
#观测数量、缺失值、唯一值、Info(关于变量的连续性的统计量)，Gmd(基尼均差)，平均值，分位数以及五个最大的值和五个最小的值
describe(mtcars[, myvars])
install.packages('pastecs') #安装失败了
options()$repos
install.packages('pastecs', repos='http://cran.us.r-project.org')
library(pastecs)
#所有值，空值，缺失值的数量以及最小值，最大值，值域，合计，中位数，均值，平均数的标准误差，平均数置信度为0.95的置信区间，方差，标准差，变异系数。
stat.desc(mtcars[, myvars])
library(psych)
#非缺失值的数量，平均数，标准差中位数，截尾均值，绝对中位差，最小值，最大值，值域，偏度，峰度和平均值的标准误差
describe(mtcars[, myvars])
值得注意的是 Hmisc包与psych包含有同名函数describe()，二者均加载时，以后者被加载的包优先；或者执行Hmisc::describe()可指定执行。
（2）分组描述
- aggregate()
myvars <- c("mpg", "hp", "wt")
aggregate(mtcars[myvars], by=list(mtcars$am), mean)
aggregate(mtcars[myvars], by=list(am=mtcars$am), sd)
#注意上述by=list的两种表述差异，第一个会自动添加一个group1
aggregate
- aggregate() 的不足就是一次只能使用一个函数，而by() 函数弥补了上述的不足
dstats <- function(x)sapply(x, mystats) # 函数套函数
myvars <- c("mpg", "hp", "wt")
by(mtcars[myvars], mtcars$am, dstats)
#注意by() 的三个参数依次：待分析数据-分组因子-统计函数
#可以把上面mystats的写法当做一个模板来用
2、分析类别型变量
2.1生成频数列联表（其实就是分类计数）
- 注意此时的数据对象为类别型变量！
（1）分析单组数据
library(vcd) #用到vcd包里的示例数据
mytable=table(Arthritis$Improved) #显示各因子的频数
#列联表在R中是专门的一种存储格式，table
options("digits"=2) # 这里修改一下小数点位数，默认为7
prop.table(mytable) # 显示比例格式
prop.table(mytable)*100 # 显示百分比格式
prop.table(mytable)
（2）分析两组数据
mytable <- xtabs(~ Treatment+Improved, data=Arthritis)
mytable
# 上述参数中，第一个变量Treatment设置为行名，第二个变量Improved设置为列名
margin.table(mytable,1)
#1表示第一个变量，即求每行的和。相当于对Treatment单组数据求列联表。
#2就表示第2个变量（Improved）
addmargins(mytable) #一步到位，添加所有的和
prop.table(mytable, 1) #以第一个变量（行名）总和求比例
addmargins(mytable) #添加边际和
mytable
- 如上列联表 表示两组治疗方法下，各自三种治疗程度的病人数
（3）分析三组数据，详见p141
mytable <- xtabs(~ Treatment+Sex+Improved, data=Arthritis)
mytable
2.2类别性变量独立性检验
- 原假设为两类变量相互独立。比如研究治疗方法变量与效果（无效，有效，明显有效）变量是否独立；即治疗方法的不同是否会影响效果的改变。（目的是希望不独立的，即有影响的）
（1）卡方独立性检验
- chisp.test(), 参数为二维列联表
mytable <- xtabs(~Treatment+Improved, data=Arthritis)
chisq.test(mytable)
#p值大于0.05，则两变量互不影响；越小说明两类变量关联程度越大
chisq.test
（2）Fisher精确检验
- fisher.test() 参数为不能为2×2的列联表
fisher.test(mytable)
3、定量变量之间的相关系数
- 我理解的定量变量就是连续型变量
- 还要注意的是为两组不同类型变量的独立性检验与显著性评价，比如收入与犯罪率关系。
3.1 相关系数的计算
- 相关系数（-1~1之间）可以用来描述定量变量之间的关系，正负表示正/负相关，绝对值越大，相关性越大。
- R可计算很多种类型相关系数，常用Pearson积差相关系数，其衡量了两个定量变量之间的线性相关程度。
- 常用函数cor(x, use= , method= ) ，常用的三个参数为：
（1）x 为待分析的矩阵；
（2）use= 指定缺失数据的处理方式。默认设置为everything（遇到缺失数据，相关系数计算结果设为missing）；其它类型还有all.obs（遇到缺失数据则报错）；complete.obs（遇到则删除行）；pairwise.complete.obs（遇到则成对删除）
（3）method= 指定要计算的R相关系数类型。默认设置为Pearson，此外还可以设置为Spearson类型，Kendall类型；
states<- state.x77[,1:6]
cor(states) #结果如下图，对角线结果肯定是1
#指定分析某些变量间的关系
x <- states[,c("Population", "Income", "Illiteracy", "HS Grad")]
y <- states[,c("Life Exp", "Murder")]
cor(x,y)
cor(states)
- 函数cov() 用来计算协方差。协方差与相关系数有一定联系，其为正值时表示两变量正相关；反之，为负相关。详见文章
cov(states)
3.2 相关性的显著性检验
- 即验证上面计算的相关性的可信度
- 常用的原假设为变量间不相关（即总体的相关系数为0）进行假设检验，求p值；
注意p值越小，反映该相关系数越可信；而不是表明相关系数越高。 - 函数为cor.test(x,y, alternative= , method= )，3个参数依次为：
（1）x,y 为待检测的变量；
（2）alternative指定双侧检验/单侧检验，默认为two.side(相关系数不等于0）；当假设相关系数小于0时，less；大于0，greater；
（3）method= 指定要计算的相关类型，默认为pearman；
cor.test(states[,3], states[,5])
#cor.test() 只能用于单次计算，psych包的corr.test()可以实现批量计算
library(psych)
corr.test(states, use="complete")
#返回的第一个矩阵是相关性，第二个矩阵是显著性p值；
#同样corr.test可以计算三种相关系数，默认为pearman；
#参数use=pairwise/complete分别表示缺失值执行成对删除/成行删除
corr.test
4、t 检验
- 第3点是研究变量间是否存在联系（一般主观希望存在联系，也就是不独立）
- 此处目标是评价两组相同类型的变量（如评价药物疗效控制组与对照组的血药浓度），而主观希望越独立，则越有意义（凸显了药的作用）
- 如果实验结果是用类别性变量表示的，就用第二点列联表方法计算（我觉得一般不多吧）；若实验结果是连续型变量，则应用 t 检验
- 注意计算时一般是两组连续型变量，有时有的结果用一组二分变量（对照组为0，实验组为1），和一组对应的全部的实验结果的连续型变量。
- 还要注意的是实验结果的连续型变量分布要符合正态分布，以及方差齐性，否则不能用t检验（参见5）。
4.1 独立样本的t检验
- 独立样本定义是两个样本是从两个总体中独立抽取的。即一个样本的元素与另一个样本的元素相互独立的。我的理解就是对照组与实验组的数据分别来自两组独立的小鼠。
t.test(y1, y2) #一般格式
t.test(y~x, data) #x为二分变量
- 例子：利用MASS包的数据，研究美国南方与北方的监禁率Prob是否有显著差异；其中表示南北方的So用二分变量表示。
library(MASS)
t.test(Prob ~ So, data=UScrime)
#一般p值越小（<0.05）,越有依据拒绝原假设（二者相同）
t.test
4.2 非独立样本的t检验
- 关于非独立样本，我的理解是实验数据来自同一组小鼠。比如给药前测一次小鼠血糖，给药后再测一次该组小鼠的血糖，比较血糖的高低。术语叫做前-后设计（pre-post design）
sapply(data[c("y1","y2")], function(x)(c(mean=mean(x),sd=sd(x))))
#先观察下两组数据的均值差异是否足够大
#注意下function() 函数的用法
with(data, t.test(y1, y2, paired=TRUE))
有时实验设计多于两组，需要使用方差分析（ANOVA），见R语言入门--第八节（方差分析） - 。
5、非参数检验
- 这一小节是针对第4点t检验而补充的。
- 因为 t 检验对变量是有条件的，那就是你的数据要符合正态分布与方差齐性。
- 如果不符合（比如数据存在严重偏倚或呈有序关系），盲目使用t检验是不可取的，此时需要采用非参数检验。
5.1Wilcoxon秩和检验
- 又称为Mann-Whitney U检验。
- 这一点是对比4.1 ，针对独立样本的方法
wilcox.test(y1,y2) #一般格式
wilcox.test(y~x,data) #x为二分变量
例子：还是以上面那个南北方监禁率差异的研究
with(UScrime, by(Prob, So, median))
#首先大致观察下两组数据的中位数差异
wilcox.test(Prob ~ So, data=UScrime)
5.2Wilcoxon符号秩检验
- 这一点是对比4.2，针对非独立样本的方法
with(UScrime, by(Prob, So, median))
sapply(data[c("y1", "y2")], median)
#做到这里，我觉得无论是4.2的求均值，还是这里的求中位数，目的都是先从数据分布上判断是否有差异，然后再进行检验
with(data, wilcox.test(y1, y2, paired=TRUE))
小彩蛋：进行t检验前，如何知道一组数据是否符合正态分布、方差齐性？
- shapiro.test() 若返回p值大于0.05，则数据符合正态分布；
- bartlett.test(y ~ x ) 若返回p值小于0.05，说明数据在不同水平下是等方差的。注意这里的y为所有变量结果，x为分组因子。比如：
a=as.data.frame(state.x77)
a1=c(a$Income,a$Illiteracy) #各有50个数据，总共100个
a2=c(rep(1,50),rep(2,50))
bartlett.test(a1,a2)
关于本文提到的统计检验原理，今后有机会再专门学习一下。部分参考教材《R语言实战（第2版）》，侵删~
--寒假自学R语言的生信小白