R语言学习--Day04--数据分析技巧

在清洗完数据，在对数据分析前，我们要懂得先梳理一下我们的逻辑，即数据是什么形式的，要进行哪种分析，有可能呈现什么特点，进而再想怎么处理数据去画图可以最大程度地凸显我们要的特点。

一般来讲，数据会有以下几种特点：单分布、双变量关系、多变量之间的比较、时间趋势、构成比例、影响程度，分别对应问题：数据如何分布、X与Y的联系、变量间的差异、如何随时间变化、各部分占比、哪种因素对结果的影响更大。大部分的数据，基本都是由这几种情况排列组合的复杂问题，我们要学会拆解问题去一步步解决，这样也能使我们的思路更加明确。

特别的，有时候我们在拿到数据时，就跟非监督学习一样，我们只知道要分析数据特点，但对结果的分布缺乏概念，这时我们就可以采取先把数据分布画出来的操作，注意数据的数量，如果样本少，我们直接画箱线图或者散点图就行，但如果数据非常多，那此时用六边形图，就比较合适了。

假如我们有一些数据

set.seed(42)

# 生成4种类别的数据（每组1000个观测值）
n <- 1000
df <- data.frame(
  # 类别变量（4组）
  group = rep(c("A组-正态分布", "B组-右偏分布", "C组-双峰分布", "D组-离群点"), each = n),
  
  # X变量（根据组别生成不同分布）
  x = c(
    rnorm(n),                       # A组：正态分布
    rgamma(n, shape = 2),           # B组：右偏分布
    c(rnorm(n/2, -2), rnorm(n/2, 2)), # C组：双峰分布
    c(rnorm(n*0.95), rnorm(n*0.05, 5)) # D组：离群点
  ),
  
  # Y变量（与X相关，加入噪声）
  y = c(
    0.8 * rnorm(n) + rnorm(n, sd = 0.3),         # A组
    0.5 * rgamma(n, shape = 2) + rnorm(n, sd = 0.2), # B组
    c(rnorm(n/2, -1), rnorm(n/2, 1)) + 0.5*rnorm(n),  # C组
    c(rnorm(n*0.95), rnorm(n*0.05, 8))           # D组
  )
)

然后分别生成六边形图和箱线图

hex_facet <- ggplot(df, aes(x = x, y = y)) +
  geom_hex(bins = 30, alpha = 0.8) +
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "频次") +
  facet_wrap(~group, scales = "free") +  # 按组别分面，自由缩放坐标轴
  labs(title = "多类别六边形图（分面展示）", x = "X变量", y = "Y变量") +
  theme_minimal()

print(hex_facet)

box_facet <- ggplot(df, aes(y = y)) +
  geom_boxplot(fill = "skyblue", width = 0.5) +
  facet_grid(. ~ group, scales = "free_x") +  # 横向分面
  labs(title = "多类别箱线图（横向分面）", x = "", y = "Y变量") +
  theme_minimal()

print(box_facet)