登录
首页精彩阅读基于R统计分析—探索性数据分析
基于R统计分析—探索性数据分析
2018-01-10
收藏

基于R统计分析—探索性数据分析

数据的统计分析分为描述性统计分析和统计推断两部分, 前者又称为探索性统计分析, 它是通过绘制统计图形、编制统计表格、计算统计量等方法来探索数据的主要分布特征, 揭示其中存在的规律. 探索性数据分析是进行后期统计推断的基础.
本文着重于数据集的数字化探索。程序包DAAG中有内嵌数据集“possum”,它包括了从维多利亚南部到皇后区的七个地区的104只负鼠(possum)的年龄、尾巴的长度、总长度等14个特征值,选用这套数据集进行分析。

#数据概况
library(DAAG)
data(possum)
nrow(possum)   #显示数据集的行、列、维度
ncol(possum)
dim(possum)
head(possum)  #显示数据集的前若干条
attributes(possum)  #获取数据集属性列表

str(possum)   #获取数据样本数、变量数、各变量的类型及取值情况

summary(possum) #获取数据集变量概况

#变量详情
library(Hmisc)
describe(possum[,1:3])

 
备注:对于每一变量,给出了样本总个数(n),缺失样本数(missing)、水平个数(unique),并列出每一水平的取值、频数和频率。这里需要说明的是,对于case变量,输出结果给出了频率最低和最高的5个水平值,在数据分布有偏情况下,这些水平值很有可能成为异常值。

library(fBasics)  #用于做时间序列统计分析包,也可用于一般数据集
basicStats(possum$case)

 
备注:输出结果包括前面给出的样本数(nobs),缺失值(NAs),最小值最大值,同时也有特有的指标,变量取值之和(Sum),标准误差均值(SE Mean)、95%的置信水平上下限、方差、标准误差,以及两个分布指标偏度和峰度。

#分布指标  (这里主要介绍两个重要分布指标——偏度和峰度,一些常见的概率分布倾向于用直方图等可视化方式来表示)
library(timeDate)
skewness(possum[,6:7]) #计算这两列变量的偏度

kurtosis(possum[,6:7]) #计算这两列变量的峰度

备注:偏度用来衡量数据的堆成程度,以正太分布为基准。当服从正太分布时,偏度为0;当介于[-1,1]之间时,说明数据分布的对称性较强;当绝对值大于1时,则认为数据存在显著偏倚,为正时有右偏的趋势,反之左偏。
峰度用来衡量数据分布形态的陡缓程度,以正太分布为基准。当值为0时,说明与正太分布相同,即标准峰度;当峰度大于0时,则表示该数据分布与正太分布相比较为陡峭,为尖顶峰度;当峰度小于0时,则表示该数据分布与正太分布相比较为平坦,为平顶峰度。

#缺失值
library(mice)
md.pattern(possum)  #显示数据集中缺失值分布的情况

 
备注:最左边一列:101表示无缺失值样本总数,2表示age缺失2个样本,1表示footlgth缺失1个样本;最下边一行对应每个属性缺失的样本个数,其中最后一个3表示总缺失值个数;最右边一列表示对应行几个变量发生缺失的情况。

#相关性
cor(possum$case,possum$site)
var=c(5:9)
cor_matrix=cor(possum[var],use="pairwise") #对5个变量两两计算相关系数
library(ellipse)#可视化相关图
plotcorr(cor_matrix,col=rep(c("white","black"),5))

 
备注:圆形的宽窄表示相关性的高低,两变量对应的圆形越窄,表明其相关性越高。

数据分析咨询请扫描二维码

客服在线
立即咨询