【Udacity】3,3,22，转换数据

我们碰到的很多数据变量中都存在很长的尾巴，有一些数据会出现高于中位数很多倍的数据，这种数据我们称之为数据过离散。通常需要对这些数据进行变换，才能看到标准偏差或者量级，实际上我们在缩短尾巴。
1、先看看我们最初的图形

qplot(x=friend_count,data=pf)

我们可以通过取对数来变换此变量，使用自然对数。以2为底的对数或者以10 为底的对数。
我们可以使用平方根，这样可以让我们更清楚的看清模式，不被长尾分散注意力。
2、对变量进行常规汇总

summary(pf$friend_count)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    0.0    31.0    82.0   196.4   206.0  4923.0 

3、对变量进行常规对数

summary(log10(pf$friend_count))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   -Inf   1.491   1.914    -Inf   2.314   3.692 

这里数据看起来有些异常，最小值和平均值是负无穷。这是因为有些用户的好友数为0，当0取对数是为负无穷。
4、为避免以上情况，我们对数据+1

summary(log10(pf$friend_count+1))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   1.505   1.919   1.868   2.316   3.692 

5、使用另一个函数，对变量进行平方根处理

summary(sqrt(pf$friend_count))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   5.568   9.055  11.088  14.353  70.164 

6、在一个图像上创建三个直方图
在一个图中创建所有三个直方图之前，你需要运行以下代码：

install.packages('gridExtra') 
library(gridExtra) 

1、使用包裹器

> p1=qplot(x=friend_count,data=pf)
> p2=qplot(x=log10(pf$friend_count+1),data = pf)
> p3=qplot(x=sqrt(pf$friend_count),data = pf)
> grid.arrange(p1,p2,p3,ncol=1)

同样的ggplot代码：使用标度层

> d1 <- ggplot(aes(x=friend_count),data=pf)+geom_histogram()
> d2 <- p1+scale_x_log10()
> d3 <- p1+scale_x_sqrt()
> grid.arrange(d1,d2,d3,nclo=1)

7、看一下使用包裹器和使用标度层的图形的区别

logscal <- qplot(x=log10(pf$friend_count+1),data = pf)
countscale <- ggplot(aes(x=friend_count),data=pf)+
  geom_histogram()+
  scale_x_log10()
grid.arrange(logscal,countscale,nclo=2,top="main title")

在一个图像内输出多个图形
线性回归
在一个轴添加对数或者sqrt对数
正态分布
数据的对数转换