準備工作

安裝要用到得到包
install.packages("DMwR")

載入並檢視資料

> library(lattice)
> library(grid)
> library(DMwR)
> summary(algae)
    season       size       speed         mxPH            mnO2              Cl         
 autumn:40   large :45   high  :84   Min.   :5.600   Min.   : 1.500   Min.   :  0.222
 
  
 spring:53   medium:84   low   :33   1st Qu.:7.700   1st Qu.: 7.725   1st Qu.: 10.981  
 summer:45   small :71   medium:83   Median :8.060   Median : 9.800   Median : 32.730  
 winter:62                           Mean   :8.012   Mean   : 9.118   Mean   : 43.636  
                                     3rd Qu.
 
:8.400   3rd Qu.:10.800   3rd Qu.: 57.824  
                                     Max.   :9.700   Max.   :13.400   Max.   :391.500  
                                     NA's   :1       NA's   :2        NA's   :10       
      NO3              NH4                oPO4             PO4              Chla        
 Min.   : 0.050   Min.   :    5.00   Min.   :  1.00   Min.   :  1.00   Min.   :  0.200  
 1st Qu.: 1.296   1st Qu.:   38.33   1st Qu.: 15.70   1st Qu.: 41.38   1st Qu.:  2.000  
 Median : 2.675   Median :  103.17   Median : 40.15   Median :103.29   Median :  5.475  
 Mean   : 3.282   Mean   :  501.30   Mean   : 73.59   Mean   :137.88   Mean   : 13.971  
 3rd Qu.: 4.446   3rd Qu.:  226.95   3rd Qu.: 99.33   3rd Qu.:213.75   3rd Qu.: 18.308  
 Max.   :45.650   Max.   :24064.00   Max.   :564.60   Max.   :771.60   Max.   :110.456  
 NA'
 
s   :2        NA's   :2          NA's   :2        NA's   :2        NA's   :12       
       a1              a2               a3               a4               a5        
 Min.   : 0.00   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
 1st Qu.: 1.50   1st Qu.: 0.000   1st Qu.: 0.000   1st Qu.: 0.000   1st Qu.: 0.000  
 Median : 6.95   Median : 3.000   Median : 1.550   Median : 0.000   Median : 1.900  
 Mean   :16.92   Mean   : 7.458   Mean   : 4.309   Mean   : 1.992   Mean   : 5.064  
 3rd Qu.:24.80   3rd Qu.:11.375   3rd Qu.: 4.925   3rd Qu.: 2.400   3rd Qu.: 7.500  
 Max.   :89.80   Max.   :72.600   Max.   :42.800   Max.   :44.600   Max.   :44.400  

       a6               a7        
 Min.   : 0.000   Min.   : 0.000  
 1st Qu.: 0.000   1st Qu.: 0.000  
 Median : 0.000   Median : 1.000  
 Mean   : 5.964   Mean   : 2.495  
 3rd Qu.: 6.925   3rd Qu.: 2.400  
 Max.   :77.600   Max.   :31.600  

資料簡單介紹
algae是歐洲多條河流的水樣在一年時間內水樣的化學物質含量及藻類數量。資料集的觀測值為200個水樣，變數包括3個河流基本資訊（season季節 size河流大小 speed河水流速），8種化學物質含量（ mxPH；mnO2；Cl；NO3；NH4；oPO4；PO4；Chla ），7種藻類的數量（a1~a7）。
資料裡存在空值，會導致部分函式報錯。

根據某個屬性繪製正態分佈直方圖

> hist(algae$mnO2)
> #關於MnO2物質的

#把資料裡的空值去掉，並在圖形上新增一條線描述正態分佈
prop 把分佈頻率轉化為分佈密度
> hist(algae$mnO2,prob = T,ylim = c(0,1/4))
> lines(density(algae$mnO2,na.rm = T))

處理資料缺失

資料缺失常見的處理方法：

1. 將含有缺失值的記錄刪除
2. 根據變數間相關關係填補缺失資料
3. 根據案例之間的相似性進行資料填補

提取不完整的資料記錄
通過!complete.case()函式將有空值的記錄提取出來!說明是提取不完整的樣本。

> algae[!complete.cases(algae),]
> #將所有有缺失值的資料行打印出來

找出缺失資料較多的記錄

> manyNAs(algae)
[1]  62 199
#預設manyNAs的缺失百分比是0.2

manyNAs(algae,n)n是一個c(0,1)的小數，如果n=0.2，意思為如果有20%的資料項值為空，就認定該條資料是缺失資料較多的。

1.將缺失資料較多的記錄刪除

> manyNAs(algae)
[1]  62 199
> algae1 <- algae[-c(62,199),]
> #刪除兩條資料
> manyNAs(algae1)
named integer(0)
Warning message:
In manyNAs(algae1) :
  Empty index generated, no rows with many NAs. Undesirable effects may be caused if indexing a data frame with this.
> 

找到欄位間的相關關係

cor(algae[, 4:18], use = "complete.obs")
#得到algae資料集中第4到第18個欄位之前的相關關係

這樣的資料表示不是很容易看明白
使用symnum() 函式使資料直觀一點。

“`

symnum(cor(algae[, 4:18], use = “complete.obs”))
“`

從上面的表裡可以看到NH4 - NO3 和 oPO4 - PO4 兩對具有較強相關的變數

#得到oPO4 - PO4間的線性關係
> lm(oPO4~PO4,data = algae)

Call:
lm(formula = oPO4 ~ PO4, data = algae)

Coefficients:
(Intercept)          PO4  
   -15.6142       0.6466   

上面得到的資料意義為oPO4 = -15.6142 + 0.6466 * PO4