R语言学习笔记_数据清理2

统计学是如何总结数据特点的
分布（离散型、连续型）
描述、相关
单变量：描述
集中趋势、分散趋势
双变量：相关
共同变化趋势（协方差、相关系数）
可视化探索

数据分布
分布就是概率
可能结果（取值）有哪些
每个结果或者某个范围内的概率是多少？
可视化展现
概率密度图
累积分布图
常见分布
分类变量：二项分布、泊松分布
数值变量：均匀分布、正态分布、指数分布

得到分布是研究的最高境界，说着容易做着难。很多时候是不能得到分部的，这时就有了另一种抓取数字特点的方法–数字特征

描述————集中趋势
集中趋势是一组数据向某一中心值靠拢的程度，反映了一组数据的中心点的位置所在
分类变量
众数
数值变量
均值（切尾均值、算数平均数、加权平均数、几何平均数）
均值的无用
单峰分布
极值的影响
不能简单求和
中位数（左偏、右偏）
分位数
中位数、分位数比均值更好
历史因性能原因（均值O(n)，分位数O(logn)）

描述————离散趋势
集中趋势反应的是变量值向其中心值集中的程度。变量间的差异状况如何呢？
离散趋势反应的是各变量值远离其中心值的程度
集中趋势的统计量是从一组数据中选择代表，但是这个代表的代表能力取决于数据的离散程度。数据越离散，代表能力就越弱；数据越集中，代表能力就越强。

统计量
    极差
    方差、标准差
    z分数
经验法则
切比雪夫定理

相关
协方差
cov
协方差取值范围

相关系数
    cor
    对协方差的单位化，取值范围[-1,+1]

单变量的描述
数值型变量
mean 均值、weighted.mean 加权平均数,median 中位数、quantile 分位数
var 方差、sd 标准差、min、max
summary 、fivenum
sum、length、prod
分类型变量
table
prop.table
分组统计
split、sapply、lapply、tapply
aggregate
by

双变量的相关
cov
cor
use:complete.obs、pairwise.complete.obs

可视化
单变量
散点图plot
箱线图boxplot
柱状图barplot
直方图hist、密度图
小提琴图(vioplot::vioplot)
QQ图(qqnorm、qqline、car::qq.plot)

双变量
    散点图 plot、jitter、smoothScatter、sunflowerplot
    散点图集 pairs、plot、car::scatterplotMatrix
    相关性 corrgram::corrgram

分组：
    lattice包
        xyplot 散点图
        bwplot 箱线图
        histogram 直方图
        densityplot 密度图

代码示例：
    > str(airquality)
    'data.frame':	153 obs. of  6 variables:
     $ Ozone  : int  41 36 12 18 N