R语言数据基础

数据基础

author：秦景坤
date：2017-07-02
GitHub： https://github.com/Roc-J/R

• 观测
• 变量
• 数据矩阵

一个数据矩阵一行是一次观测，一列是一个变量

• 变量的类型

  • 主要是数值问题
    
    • 连续-可在给定区间取任意数值（无限）
    • 离散-在给定数值集合内取值（有限）
  • 分类问题（qualitative)-取值空间有限，不能进行运算
    
    • 无序-不可比较
    • 有序-顺序有意义

• 变量间的关系（对应不同的可视化方法和统计分析方法）

  • 两个数值变量
  • 两个分类变量
  • 一个数值变量，一个分类变量

数值变量的特征和可视化

• 数据集中趋势的测量（measures of center）
  
  • 均值（mean)、中位数（median)、众数（mode）

example:

1 9 2 8 3 9 4 5 7 6 

均值 = （1+9+2+8+3+9+4+5+7+6）/10 = 5.4
中位数 = 排序后位于正中间的一个数 或 位于正中间的两个数的均值 = 5.5
众数 = 出现次数最多的数 = 9

• 数据分散趋势的测量（measures of spread）

  • 值域（range:max-min)、方差（variance)、标准差（standard variance)、标准差（standard variance)、四分位距（interquartile range)

• 稳健统计量（robust statistics)

  • 是：中位数、四分位差（受极端值影响小）
  • 否：均值、标准差、值域（受极端值影响大)

• 一个变量的可视化
  -柱状图（histogram)、点图（dot plot)（分布）
  -箱图（ box plot)（中位数、分位点、极端值)

  竖着放的

  • 中位数
  • 25%分位点
  • 75%分位点
  • 四分位距IQR
  • 最左边的线是 Q1-1.5IQR
  • 最右边的线是 Q3+1.5IQR

• 两个变量的关系

  • 散点图（scatter plot)：方向、形状、强度、极端值

分类变量的特征和可视化

分类变量是不可以进行数学运算的，所以不像数值变量有平均值等的概念。

• 一个分类变量的可视化
  -频率表（frequency table)、条形图（bar plot)

• 两个分类变量的关系
  -关联表（contingency table)、相对频率表（relative frequencies)
  -分段条形图、相对频率分段条形图

  • 马赛克图（mosaicplot)

• 一个分类变量、一个数值变量的关系
  -并排箱图（side-by-side box plot)