R分析可视化实用数据(航班_教育_餐厅_租户_变迁_寿命_安全)

R数据科学

图形

统计

描述性统计 | 频率和列联表 | 相关性和协方差 | t-测试 | 非参数统计

通过 sapply() 进行描述性统计

> mystats <- function(x, na.omit=FALSE){
 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=n, mean=m, stdev=s,
 skew=skew, kurtosis=kurt))
 }
> myvars <- c("mpg", "hp", "wt")
> sapply(mtcars[myvars], mystats)
 mpg hp wt
n 32.000 32.000 32.0000
mean 20.091 146.688 3.2172
stdev 6.027 68.563 0.9785
skew 0.611 0.726 0.4231
kurtosis -0.373 -0.136 -0.0227

使用 by() 分组的描述性统计

> dstats <- function(x)sapply(x, mystats)
> myvars <- c("mpg", "hp", "wt")
> by(mtcars[myvars], mtcars$am, dstats)
mtcars$am: 0
 mpg hp wt
n 19.000 19.0000 19.000
mean 17.147 160.2632 3.769
stdev 3.834 53.9082 0.777
skew 0.014 -0.0142 0.976
kurtosis -0.803 -1.2097 0.142
----------------------------------------
mtcars$am: 1
 mpg hp wt
n 13.0000 13.000 13.000
mean 24.3923 126.846 2.411
stdev 6.1665 84.062 0.617
skew 0.0526 1.360 0.210
kurtosis -1.4554 0.563 -1.174

回归

拟合和解释线性模型 | 评估模型假设 | 在竞争模型中进行选择

变量分析

使用 R 对基本实验设计进行建模 | 拟合和解释 ANOVA 类型模型 | 评估模型假设

功效分析

确定样本量要求 | 计算效应大小 | 评估统计功效

中级图形

可视化双变量和多变量关系 | 使用散点图和折线图 | 理解 corrgram | 使用马赛克图和关联图

重采样统计数据和自举

理解置换测试的逻辑 | 将置换检验应用于线性模型 | 使用自举获得置信区间

广义线性模型

制定广义线性模型 | 预测分类结果 | 建模计数数据

主成分和因子分析

主成分分析 | 探索性因子分析 | 了解其他潜变量模型

时间序列

创建时间序列 | 将时间序列分解为成分 | 开发预测模型 | 预测未来数据

R分析可视化实用数据

应用1：探索航班延误

应用2：探索教育水平

应用3：特色餐厅在地图上位置

应用4：租户的热图显示

应用5：城市变迁分析

应用6：寿命预期分析

应用7：公共安全分析

详情参阅 - 亚图跨际