免费网站建站页面,车票在线制作网站,o2o典型代表网站,网站的竞争对手我们处理的变量可以分为两类#xff0c;一类是连续型变量#xff0c;另一类叫做分类型变量#xff0c;其中对于连续型变量#xff0c;如果服从正态分布就用平均值填充NA#xff0c;不服从正态分布就用中位数填充NA#xff0c;对于分类型变量#xff0c;不管是有序的一类是连续型变量另一类叫做分类型变量其中对于连续型变量如果服从正态分布就用平均值填充NA不服从正态分布就用中位数填充NA对于分类型变量不管是有序的比如一年级二年级还是无序的比如男性女性都是用众数来填补NA。
分类型变量的描述性数据分析
对于分类型变量我们只需要关心每一类变量有多少个以及他的众数使用的函数为table(变量)table函数的基本语法为
table(..., useNA always, exclude NULL)
...一个或多个向量表示要创建频率表的分类变量。可以是因子factor、逻辑logical或整数integer类型。useNA指定如何处理NA值。默认always表示总是将NA作为一个类别包括在内。如果设置为no则不包括NA值。exclude指定要排除的类别。
包含了分类变量中每种类别的名字和其对应的频数。
假如有一个名为mydata的数据框如图所示 运行代码table(mydata$性别)就可以得到男女各有多少人了table函数的返回结果为分类变量中每种类别的名字和对应的频数 要找查分类变量中的众数可以借助which.max函数运行代码
which.max(table(mydata$性别))结果如图 which.max用于返回变量中最大值出现位置的下标而max函数用于返回最大值。基本语法为which.max(..., arr.ind FALSE, useNames TRUE)
...一个或多个数值型向量从中找出最大值的索引。arr.ind逻辑值指定是否返回数组索引。默认为FALSE。useNames逻辑值指定是否使用变量名作为返回值的一部分。默认TRUE。可以看到上面的例子中确实返回了变量名。
连续型变量的描述性数据分析
R语言描述统计操作的函数有summary函数describe函数等
summary函数
这个函数用于对连续型变量做一个整体的概述比如数据框mydata如图所示 运行代码summary(mydata)结果如图 对于连续型变量summary给出了这个变量的最大最小值中位数平均数等等信息对于分类型变量则给出了各种类型有多少个。因此调用summary函数即可让我们对一组数据具有一个整体的了解。但是使用summary得到的结果很难转换成数据框或者矩阵这样的表格因此再进行描述性统计分析的时候推荐使用describe函数。
describe函数
这个函数来自于R包 psych
describe这个函数对于分类型变量的描述可能会有一点点问题因为我们发现直接给该函数传参为mydata结果如图 年龄居然有平均值58.21因此这个函数并不适合用来处理分类型变量那么我们再单独把那些连续型变量的列提取出来运行代码
describe(mydata[,c(2,4:14)])
结果如图 使用变量ret把describe函数的运行结果存起来并且查看发现ret长这样 俨然是一个表格可以方便的导出。当然我们发现describe函数默认并没有给出上下四分位点但这并不是说该函数不能给出上下四分位点只需要添加参数quantc(.25,.75)即可完成任务运行代码
ret
最终ret的结果如图 正态性检验的方法
样本量小于2000使用函数shapiro.test()p0.05则服从正态分布
样本量大于2000使用函数ks.test(x,pnorm),p0.05则服从正态分布。其中第二个参数pnorm表示进行正态性检验
数据可视化
R语言中提供了丰富的绘图函数这些函数要求的参数各不相同但有一些通用的参数这些参数可以控制图形的各种属性如颜色、线条样式、字体大小等。以下是一些常用的通用图形参数
col设置颜色。可以是颜色名称如red、十六进制颜色代码如#FF0000或RGB值。pch设置点的类型。可以是数字1-25代表不同的点形状或者是一个字符向量。lty设置线条类型。可以是solid实线、dashed虚线、dotted点线等。lwd设置线条宽度。数值越大线条越粗。cex设置字符大小扩展影响文本、点和线条的大小。cex.axis设置坐标轴标签的字符大小。cex.lab设置图例标签的字符大小。cex.main设置主标题的字符大小。font设置字体。不同的数字代表不同的字体。family设置字体族可以是字体名称。bg设置背景颜色常用于设置点或多边形的填充色。xlab设置x轴的标签。ylab设置y轴的标签。main设置图形的主标题。sub设置图形的副标题。xlim设置x轴的显示范围。ylim设置y轴的显示范围。xaxs、yaxs控制坐标轴的比例如i表示等比例r表示根据图形区域自动调整。xaxt、yaxt控制坐标轴的显示如n表示不显示坐标轴。log对x或y轴进行对数变换。asp设置y轴与x轴的比率。bty设置图形边界框的类型。fg设置前景色常用于设置边框颜色。tck设置坐标轴刻度的长度。tcl设置坐标轴刻度标签的距离。
直方图
绘制直方图使用的函数是hist
运行代码hist(mydata$年龄)即可得到这样一幅图 这个直方图的横坐标代表着一个个区间纵坐标代表频数比如40到45这个区间内又20个样本45到50这个区间内又大约50个样本。显然这是一个频数直方图。而众所周知我们想要添加概率密度曲线只能添加在频率直方图中实际上hist函数也可以用来绘制频率直方图只需要在刚才代码中添加一个参数freqFALSE即可。
运行代码hist(mydata$年龄,freq FALSE)结果如图 添加概率密度曲线使用的函数是curve运行代码
curve(dnorm(x,meanmean(mydata$年龄),sdsd(mydata$年龄)),add T)
其中在curve内部调用了dnorm函数这个函数用于计算正态分布的概率密度函数其内部的参数x表示正态分布的取值点这个参数是固定的就是用x表示然后mean和sd指定了该分布的均值和方差因此dnorm函数的调用结果是一个表达式细说就是均值为mean(mydata$年龄)方差为sd(mydata$年龄)的概率密度函数表达式curve函数需要的参数就是这样的一个表达式他会根据这个表达式来绘制这个表达式的图像参数addT表示绘制的图形将会添加在当前画板中而不是另外开一块画板。
结果如图 我们还发现了一个问题就是这个纵坐标好像有点不够用画的图都已经超出去了这个问题可以通过hist函数中的参数ylim来控制。比如运行代码
hist(mydata$年龄,freq FALSE,ylimc(0,0.06))此时的图像就变成了这样 再运行代码
curve(dnorm(x,meanmean(mydata$年龄),sdsd(mydata$年龄)),add T)把概率密度曲线添加进去
