【探索性数据分析】学习记录9.24

目录

一、正态分布假设

判断假设是否合理的方法

1.直方图hist

​编辑

2.密度图truehist

3.分位数-分位数（QQ）图 dnorm

4.QQ图

 二、数据中的异常值

检测单变量离群值

1.三倍标准差法则

2.Hampel标识法

3.箱线图离群值规则

 多种图来展示数据，都能比较直观的看出数据显示出两个峰值。

 分类变量

（1）箱线图

（2）马赛克图

---

一、正态分布假设

判断假设是否合理的方法

1.直方图hist

wts12<-ChickWeight$weight[which(ChickWeight$Time==12)]
library(MASS)
hist(wts12)

2.密度图truehist

truehist(wts12)

3.分位数-分位数（QQ）图 dnorm

mu=mean(wts12)
sigma=sd(wts12)
x<-seq(0,250,1)
px<-dnorm(x,mean=mu,sd=sigma)

4.QQ图

install.packages("car")
library(car)
qqPlot(wts12)
qqPlot(UScereal$fibre)

 

 二、数据中的异常值

以数据UScereal为例

outlierIndex <- which(UScereal$fibre > 25)
rownames(UScereal)[outlierIndex]
[1] "100% Bran"                 "All-Bran"                 
[3] "All-Bran with Extra Fiber"

异常值不一定是错误值

检测单变量离群值

1.三倍标准差法则

（1）纤维含量

plot(UScereal$fibre)
sigma=sd(UScereal$fibre)
abline(h=3*sigma)

2.Hampel标识法

使用中位数代替均值，使用MADM（mad函数）代替标准差

MADM<-mad(UScereal$fibre)
plot(UScereal$fibre)
abline(h=3*MADM)

3.箱线图离群值规则

上四分位数、下四分位数

plot(UScereal$fibre);
a<-quantile(UScereal$fibre,probs=0.75);
b<-quantile(UScereal$fibre,probs=0.25)
abline(h=a);abline(h=b)

 多种图来展示数据，都能比较直观的看出数据显示出两个峰值。

hist(geyser$duration)
plot(geyser$duration)
plot(density(geyser$duration))
qqPlot(geyser$duration)

 分类变量

（1）箱线图

其中，宽度代表不同种类数量的多少，纵坐标代表该类对应的数值的大小。

boxplot(MPG.city ~ Cylinders, data = Cars93,xlab = "Cylinders", ylab = "MPG.city",varwidth = TRUE)

（2）马赛克图

mosaicplot( Cylinders~ Origin, data =Cars93)