一文读懂R中的探索性数据分析

还没关注？

快动动手指！

探索性数据分析（EDA）是数据项目的第一步。我们将创建一个代码模板来实现这一功能。 简介 EDA由单变量（1个变量）和双变量（2个变量）分析组成。

简介

EDA由单变量（1个变量）和双变量（2个变量）分析组成。在这篇文章中，我们将回顾一些我们在案例分析中使用的功能：

 ●  第1步：取得并了解数据；
 ●  第2步：分析分类变量；
 ●  第3步：分析数值变量；
 ●  第4步：同时分析数值和分类变量。

基本EDA中的一些关键点：

 ●  数据类型
 ●  异常值
 ●  缺失值
 ●  数值和分类变量的分布（数字和图形的形式）

分析结果的类型

结果有两种类型：信息型或操作型。

 ●  信息型：例如绘图或任何长变量概要，我们无法从中过滤数据，但它会立即为我们提供大量信息。大多数用于EDA阶段。
 ●  操作型：这类结果可直接用于数据工作流（例如，选择缺失比例低于20％的变量）。最常用于数据准备阶段。

准备开始

如果您没有这些扩展包，请删除‘#’来导入：

tl; dr（代码）

使用以下函数一键运行本文中的所有函数：

替换data为你的数据，然后就可以啦！

创建示例数据：

使用heart_disease数据（来自funModeling包）。为了使本文容易理解，我们只选取四个变量。

第一步：了解数据

统计第一个例子中观测（行）和变量的数量，并使用head显示数据的前几行。

获取有关数据类型，零值，无穷数和缺失值的统计信息：

df_status会返回一个表格，因此很容易筛选出符合某些条件的变量，例如：

 ●  有至少80％的非空值（p_na < 20）
 ●  有少于50个唯一值（unique <= 50）

建议：

 ●  所有变量都是正确的数据类型吗？
 ●  有含有很多零或空值的变量吗？
 ●  有高基数变量吗？

第二步：分析分类变量

freq 函数自动统计数据集中所有因子或字符变量：

建议：

 ●  如果freq用于一个变量 -freq(data$variable)，它会生成一个表格。这对于处理高基数变量（如邮政编码）非常有用。

 ●  将图表以jpeg格式保存到当前目录中：freq(data, path_out = ".")

 ●  分类变量的所有类别都有意义吗？
 ●  有很多缺失值吗？
 ●  经常检查绝对值和相对值。

第三步：分析数值变量

我们将看到：plot_num和profiling_num两个函数，它们都自动统计数据集中所有数值/整数变量：

1. 绘制图表

将图表导出为jpeg格式：

建议：

 ●  试着找出极度偏态分布的变量。
 ●  作图检查任何有异常值的变量。

2. 定量分析

profiling_num 自动统计所有数值型/整型变量：

建议：

 ●  尝试根据其分布描述每个变量（对报告分析结果也很有用）。
 ●  注意标准差很大的变量。
 ●  选择您最熟悉的统计指标：data_prof %>% select(variable, variation_coef, range_98):variation_coef得到较大值可能提示异常值。range_98显示绝大部分数值的范围。

第四步：同时分析数值和分类变量

使用Hmisc包的describe。

这对于快速了解所有变量非常有用。但是当我们想要使用统计结果来改变我们的数据工作流时，这个函数不如freq和profiling_num好用。

建议：

 ●  检查最小值和最大值（异常值）

 ●  检查分布（与之前相同）

每天进步一点点：数据分析1480

长按扫码关注我