【20240727】R语言学习笔记-R语言进行商业数据分析

1.数据的录入方式
每个测定对象占一行，自上而下排列。每个测定值占一列，自左至右录入。举个例子，现在要录入某初中 2 个科目的期末考试成绩，此时最好不要每个科目都做一张表。

此外，在进行问卷调查时，要避免出现让答卷者难以抉择的问题或选项。比如“经常光顾”中的“经常”，具体光顾多少次才能算是“经常”，不同答卷者会有不同的标准。所以，这种情况应当用“1 周 5 次以上”之类明确的次数作为选项，让答卷者从中进行选择。
2.列联表
这是对照 2 个属性时所用的统计表。属性在数据分析中也称为名义尺度，简单说来就是表示分类的数据，或者“男或女”“支持或不支持”这种选项。选项又称为水准，比如男女就是 2 个水准。列联表的意义就是将 2 个名义数据的水准组合在一起，统计每种组合对应的人数或个数

3.独立性检验（卡方检验）及其方法
这是一个分析列联表的 2 个属性之间是否存在关联性的方法。举个例子，当我们怀疑“男性对 A 候选人的支持率超过女性”时，就可以用独立性检验来进行验证。用数据分析的术语来讲，如果 2 个属性之间具有关联性，就称为“不相互独立”。至于检验方法，首先要提出零假设，即“2 个属性相互独立”。比如上面这个例子的零假设就是“男女对 A 候选人的支持率相等”。在接下来的检验中，我们将通过数学方法计算该假设成立的概率。

如果概率不足 5%，则抛弃零假设，采信备择假设。备择假设是指“2 个属性不相互独立”，对应到例子中就是“男女对 A 候选人的支持率不相等”。如果概率大于等于5%，则保留零假设，认为“男女对 A 候选人的支持率基本相等”。

---

R语言代码整理
1.加载数据

加载名为 sample.csv 的数据并以 dat 为名称保存，其命令如下。

> dat <- read.csv ("sample.csv")

还可以用下述方法从对话框中选择文件。

> dat <- read.csv (file.choose())

2.table 函数
这是用来生成列联表的函数。

> table (dat)

    RES
SEX  N  Y
  F  8  6
  M  5  7

3.管道处理与 dplyr 程序包

> library (dplyr)
> 1:6 %>% mean

有了这一功能，前面例子中的 table(dat) 可以改写成下面这样。各位可以想象成用 %> %（管道运算符）让数据从左边“流向”右边。

> dat %>% table

    RES
SEX  N  Y
  F  8  6
  M  5  7

4. chisq.test 函数
   这是进行独立性检验（卡方检验）的函数。举个例子，现在要分析男女对 A 候选人的支持率是否相等。

> chisq.test (dat2)

    Pearson's Chi-squared test with Yates' continuity correction
data: dat2
X-squared = 0.15476, df = 1, p-value = 0.694

这里的 P 值超过了 5%，所以保留零假设“男女对 A 候选人的支持率是独立的”。

卡方检验同样可以通过管道处理来执行。这里我们借助正文中商业街调查问卷的例子，看看店主与顾客的意见之间是否具有显著偏差。其执行方法如下。

> survey <- read.csv("survey.csv")
> survey %>% select(立场, 回答6) %>% table %>% chisq.test

    Pearson's Chi-squared test
   　
data: .
X-squared = 55.489, df = 3, p-value = 5.4e-12

结果不足 5%，所以抛弃零假设“顾客与店主的意见无显著偏差”，采信备择假设“顾客与店主的意见存在偏差”。使用管道运算符处理数据时，通常会连用多个 %> %。上面执行的命令就是一个典型。

「survey %>% select(立场, 回答6)  %>% table %>% chisq.test」

现在我们用文字给上面这一连串处理做个补充说明。

“数据名 %>% 选择待分析的列（select） %>% 生成列联表 (table) %>% 对列联表执行卡方检验”

5.Code3-1 生成条形图

plot (table1)

但本书中的图表更加美观，使用的是 ggplot2 程序包。其执行方法如下。

> library(ggplot2)
> table1 %>% as.data.frame %>% ggplot(aes (x = 立场, y = Freq, fill = 回答6)) + geom_bar(stat="identity") + ylab("人数")

我们用“+”连接了 ggplot() 和 geom_bar() 这 2 个函数。这是先用 ggplot() 指定了数据以及 X、Y 轴对应的变量，然后在这个基础上借助 geom_bar() 将柱状图重叠在了一起。