Сентябрь двадцать два
Во вторник
== Step 1==
首先,要在建立和训练随机森林模型、线性回归模型的数据分析之前,都要对数据进行剖析。
我们的目标是清楚数据是如何分布的,并做相应准备工作。
- 第一步,使用dim()函数显示了数据行数及列数。
我们在获取数据集之后,数据可能会存在错误、缺失值。
> dim(PM2.5)
- complete.cases函数提取没有空值的数据。
汇总PM2.5数据框中全部空值总数。
> sum(!complete.case(PM2.5))
[1] 4870
- 为了使数据一致,处理掉无效或缺失的数据非常便捷的将无缺失值的数据重新载入PM2.5的数据框中。
> PM2.5 <- PM2.5[complete.case(PM2.5),]
- 这时,再重新查看数据行数和列数。
== Step 2==
同样,我们也可以使用head()函数以表格形式来显示数据前六行信息。
> head(PM2.5)
第二步,利用summary()函数,为每一个变量返回一组统计信息,因为主要数据变量都是数值型变量。
> summary(PM2.5)
所以这些变量都有:
- 最小值
- 下四分位数
- 中位数
- 平均数
- 上四分位数
- 最大值
因为之前已经做过数据清洗,所以看不到NA符号,为了保持探究数据的严谨性,会在每组变量最大值后显示缺失值的个数。
![未作数据清洗](https://i-blog.csdnimg.cn/blog_migrate/a65a1dfd94af0bd93285ae7a38cce9f1.png#pic_center)
综上,原始数据共35064条数据,清洗过后剩余30194条数据,数据缺失值占原始数据的13.889%,完整数据占原始数据的86.111%,所以,进行数据清洗是非常有必要的。
>结束<
相关链接:
A!-数据集做简单数据分析-前期准备: https://blog.csdn.net/The_flying_Marx/article/details/108582300.
один!-载入数据集: https://blog.csdn.net/The_flying_Marx/article/details/108723416.