R语言数据分析系列之六
上一节讲了R语言作图，本节来讲讲当你拿到一个数据集的时候如何下手分析，数据分析的第一步，探索性数据分析。
统计量，即统计学里面关注的数据集的几个指标，常用的如下：最小值，最大值，四分位数，均值，中位数，众数，方差，标准差，极差，偏度，峰度
先来解释一下各个量得含义，浅显就不说了，这里主要说一下不常见的
众数：出现次数最多的
方差：每个样本值与均值的差得平方和的平均数
标准差：又称均方差，是方差的二次方根，用来衡量一个数据集的集中性
极差：最大值与最小值只差
偏度：相对于正态分布而言如果波峰出现在左边，就表明长尾出现在右边，成为右偏态（正偏态）偏度值>0，分布反之为左偏太（负偏态）偏度值<0
峰度：也是相对于正太分布的，正态分布的峰度为3，如果峰度>3图形越胖，越矮，称为厚尾，峰度<3 图形越瘦，越高，称为瘦尾
本节数据集：
我们采用MASS包的Insurance数据集，该数据集为某保险公司的车险数据。
"District" "Group" "Age" "Holders" "Claims"
按列一次表示：家庭住址区域，投保汽车排量，投保人年龄，投保人数量，要求索赔的数量
安装包与加载数据集：
install.pacakges('MASS') # 安装包
library(MASS) #加载包
data(Insurance) # 加载数据集
ins <- Insurance #拷贝一份数据
探索行数据分析
R包自带的函数summary可以给出数据的概括：
summary(ins)
District Group Age Holders Claims
1:16 <1l :16 <25 :16 Min. : 3.00 Min. : 0.00
2:16 1-1.5l:16 25-29:16 1st Qu.: 46.75 1st Qu.: 9.50
3:16 1.5-2l:16 30-35:16 Median : 136.00 Median : 22.00
4:16 >2l :16 >35 :16 Mean : 364.98 Mean : 49.23
3rd Qu.:327.50 3rd Qu.: 55.50
Max. :3582.00 Max. :400.00
我们发现对于因子类型向量该方法给出了频度分布，对于连续型变量该方法给出了,最小值，第一四分位数，中位数，均值，第三四分位数，最大值
从结果中我们可以看到Holders列的数据中位数明显远小于均值，这说明这个数据集是个偏数据集，整体数据集中在3——327.5之间，我们可以通过点图来继续查看：
plot(ins$Holders)
点图看的可能不是很直观，我们期望直观的看到数据的变化，可以通过直方图来展示：
col <- c(brewer.pal(9,'YlOrRd')[1:9])
h<-hist(ins$Holders,breaks=12,col=col)
xfit <-seq(min(ins$Holders),max(ins$Holders),length=40)
yfit <-dnorm(xfit,mean=mean(ins$Holders),sd=sd(ins$Holders))
yfit <- yfit*diff(h$mids[1:2]) *length(ins$Holders)
lines(xfit,yfit,col='red',lwd=2)
方差与标准差
来计算Holders列的方差和标准差：
var(ins$Holders)
sd(ins$Holders)
其实单变量的方差和标准差是没有太大意义的，对比才可以看出数据集的异同。
如果我们要分析用户按照年龄分组后的统计值该如何计算呢，aggregate函数为我们提供了很好的方法如下：
agg<-aggregate(ins[4:5],by=list(age=ins$Age),sd)
pie(agg$Claims,labels=agg$age)
agg
age Holders Claims
1 <25 80.41797 16.55181
2 25-29 141.11414 22.63184
3 30-35 177.34353 24.23694
4 >35 941.66603 103.52228
相当于按照age列 group by 后的分组统计量。
偏度和峰度：
为了计算偏度和峰度我们可以自己实现函数stat如下：
stat <- function(x,na.omit=F){
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=round(n),mean=m,stdev=s,skew=skew,kurtosis=kurt))
}
sapply(ins[4:5],stat)
Holders Claims
n 64.000000 64.000000
mean 364.984375 49.234375
stdev 622.770601 71.162399
skew 3.127833 2.877292
kurtosis 10.999610 9.377258
我们可以看到，Holders和Claims的偏度都是大于零的，那么就是说明，这两个变量都是正偏态分布也就是说数据偏向左边，而峰度值都很高，那么说明这两个变量都存在离群点。
同理我们可以利用箱型图来观察，上节已经介绍过了这里不再赘述。