【R语言】描述性数据分析与数据可视化

我们处理的变量可以分为两类，一类是连续型变量，另一类叫做分类型变量，其中对于连续型变量，如果服从正态分布就用平均值填充NA，不服从正态分布就用中位数填充NA，对于分类型变量，不管是有序的（比如一年级，二年级）还是无序的（比如男性，女性）都是用众数来填补NA。

分类型变量的描述性数据分析

对于分类型变量，我们只需要关心每一类变量有多少个以及他的众数，使用的函数为table(变量)，table函数的基本语法为

table(..., useNA = "always", exclude = NULL)

• ...：一个或多个向量，表示要创建频率表的分类变量。可以是因子（factor）、逻辑（logical）或整数（integer）类型。
• useNA：指定如何处理NA值。默认always，表示总是将NA作为一个类别包括在内。如果设置为no，则不包括NA值。
• exclude：指定要排除的类别。

包含了分类变量中每种类别的名字和其对应的频数。

假如有一个名为mydata的数据框如图所示

运行代码table(mydata$性别)就可以得到男女各有多少人了，table函数的返回结果为分类变量中每种类别的名字和对应的频数

要找查分类变量中的众数，可以借助which.max函数，运行代码

which.max(table(mydata$性别))，结果如图

which.max用于返回变量中最大值出现位置的下标，而max函数用于返回最大值。基本语法为which.max(..., arr.ind = FALSE, useNames = TRUE)

• ...：一个或多个数值型向量，从中找出最大值的索引。
• arr.ind：逻辑值，指定是否返回数组索引。默认为FALSE。
• useNames：逻辑值，指定是否使用变量名作为返回值的一部分。默认TRUE。可以看到上面的例子中确实返回了变量名。

连续型变量的描述性数据分析

R语言描述统计操作的函数有：summary函数，describe函数等

summary函数

这个函数用于对连续型变量做一个整体的概述，比如数据框mydata如图所示

运行代码summary(mydata)结果如图

对于连续型变量summary给出了这个变量的最大最小值，中位数平均数等等信息，对于分类型变量则给出了各种类型有多少个。因此调用summary函数即可让我们对一组数据具有一个整体的了解。但是使用summary得到的结果很难转换成数据框或者矩阵这样的表格，因此再进行描述性统计分析的时候推荐使用describe函数。

describe函数

这个函数来自于R包： psych

describe这个函数对于分类型变量的描述可能会有一点点问题，因为我们发现直接给该函数传参为mydata结果如图

年龄居然有平均值58.21，因此这个函数并不适合用来处理分类型变量，那么我们再单独把那些连续型变量的列提取出来，运行代码

describe(mydata[,c(2,4:14)])

结果如图

使用变量ret把describe函数的运行结果存起来并且查看发现ret长这样

俨然是一个表格，可以方便的导出。当然我们发现describe函数默认并没有给出上下四分位点，但这并不是说该函数不能给出上下四分位点，只需要添加参数quant=c(.25,.75)即可完成任务，运行代码

ret

最终ret的结果如图

正态性检验的方法

样本量小于2000，使用函数shapiro.test()，p>0.05则服从正态分布

样本量大于2000，使用函数ks.test(x,"pnorm"),p>0.05则服从正态分布。其中第二个参数pnorm表示进行正态性检验

数据可视化

R语言中提供了丰富的绘图函数，这些函数要求的参数各不相同，但有一些通用的参数，这些参数可以控制图形的各种属性，如颜色、线条样式、字体大小等。以下是一些常用的通用图形参数：

1. col：设置颜色。可以是颜色名称（如"red"）、十六进制颜色代码（如"#FF0000"）或RGB值。
2. pch：设置点的类型。可以是数字（1-25），代表不同的点形状，或者是一个字符向量。
3. lty：设置线条类型。可以是"solid"（实线）、"dashed"（虚线）、"dotted"（点线）等。
4. lwd：设置线条宽度。数值越大，线条越粗。
5. cex：设置字符大小扩展，影响文本、点和线条的大小。
6. cex.axis：设置坐标轴标签的字符大小。
7. cex.lab：设置图例标签的字符大小。
8. cex.main：设置主标题的字符大小。
9. font：设置字体。不同的数字代表不同的字体。
10. family：设置字体族，可以是字体名称。
11. bg：设置背景颜色，常用于设置点或多边形的填充色。
12. xlab：设置x轴的标签。
13. ylab：设置y轴的标签。
14. main：设置图形的主标题。
15. sub：设置图形的副标题。
16. xlim：设置x轴的显示范围。
17. ylim：设置y轴的显示范围。
18. xaxs、yaxs：控制坐标轴的比例（如"i"表示等比例，"r"表示根据图形区域自动调整）。
19. xaxt、yaxt：控制坐标轴的显示（如"n"表示不显示坐标轴）。
20. log：对x或y轴进行对数变换。
21. asp：设置y轴与x轴的比率。
22. bty：设置图形边界框的类型。
23. fg：设置前景色，常用于设置边框颜色。
24. tck：设置坐标轴刻度的长度。
25. tcl：设置坐标轴刻度标签的距离。

直方图

绘制直方图使用的函数是hist

运行代码hist(mydata$年龄)即可得到这样一幅图

这个直方图的横坐标代表着一个个区间，纵坐标代表频数，比如40到45这个区间内又20个样本，45到50这个区间内又大约50个样本。显然这是一个频数直方图。而众所周知我们想要添加概率密度曲线只能添加在频率直方图中，实际上hist函数也可以用来绘制频率直方图，只需要在刚才代码中添加一个参数freq=FALSE即可。

运行代码hist(mydata$年龄,freq = FALSE)，结果如图

添加概率密度曲线使用的函数是curve，运行代码

curve(dnorm(x,mean=mean(mydata$年龄),sd=sd(mydata$年龄)),add = T)

其中在curve内部调用了dnorm函数，这个函数用于计算正态分布的概率密度函数，其内部的参数x表示正态分布的取值点，这个参数是固定的，就是用x表示，然后mean和sd指定了该分布的均值和方差，因此dnorm函数的调用结果是一个表达式，细说就是均值为mean(mydata$年龄)，方差为sd(mydata$年龄)的概率密度函数表达式，curve函数需要的参数就是这样的一个表达式，他会根据这个表达式来绘制这个表达式的图像，参数add=T表示绘制的图形将会添加在当前画板中，而不是另外开一块画板。

结果如图

我们还发现了一个问题就是，这个纵坐标好像有点不够用，画的图都已经超出去了，这个问题可以通过hist函数中的参数ylim来控制。比如运行代码

hist(mydata$年龄,freq = FALSE,ylim=c(0,0.06))，此时的图像就变成了这样

再运行代码

curve(dnorm(x,mean=mean(mydata$年龄),sd=sd(mydata$年龄)),add = T)把概率密度曲线添加进去