推薦 ：一文讀懂R中的探索性資料分析（附R程式碼）
作者：Pablo Casas；翻譯：蔣雨暢；校對：車前子；
本文約1500字，建議閱讀7分鐘。
本文將通過介紹一個程式碼模板的四個基本步驟，來幫助您完成資料分析的初期探索。
探索性資料分析（EDA）是資料專案的第一步。我們將建立一個程式碼模板來實現這一功能。
簡介
EDA由單變數（1個變數）和雙變數（2個變數）分析組成。在這篇文章中，我們將回顧一些我們在案例分析中使用的功能：
第1步：取得並瞭解資料；
第2步：分析分類變數；
第3步：分析數值變數；
第4步：同時分析數值和分類變數。
基本EDA中的一些關鍵點：
資料型別
異常值
缺失值
數值和分類變數的分佈（數字和圖形的形式）
分析結果的型別
結果有兩種型別：資訊型或操作型。
資訊型：
例如繪圖或任何長變數概要，我們無法從中過濾資料，但它會立即為我們提供大量資訊。大多數用於EDA階段。操作型：這類結果可直接用於資料工作流（例如，選擇缺失比例低於20％的變數）。最常用於資料準備階段。
準備開始
如果您沒有這些擴充套件包，請刪除‘#’來匯入：
# install.packages("tidyverse")
# install.packages("funModeling")
# install.packages("Hmisc")
funModeling已釋出更新版本的Ago-1，請更新！
現在載入所需的程式包
library(funModeling)
library(tidyverse)
library(Hmisc)
tl; dr（程式碼）
使用以下函式一鍵執行本文中的所有函式：
basic_eda <- function(data)
{
glimpse(data)
df_status(data)
freq(data)
profiling_num(data)
plot_num(data)
describe(data)
}
替換data為您的資料，然後就可以啦！
basic_eda(my_amazing_data)
建立示例資料：
使用heart_disease資料（來自funModeling包）。為了使本文容易理解，我們只選取四個變數。
data=heart_disease %>% select(age, max_heart_rate, thal, has_heart_disease)
第一步：瞭解資料
統計第一個例子中觀測（行）和變數的數量，並使用head顯示資料的前幾行。
glimpse(data)
## Observations: 303
## Variables: 4
## $ age <int> 63, 67, 67, 37, 41, 56, 62, 57, 63, 53, 57, ...
## $ max_heart_rate <int> 150, 108, 129, 187, 172, 178, 160, 163, 147,...
## $ thal <fct> 6, 3, 7, 3, 3, 3, 3, 3, 7, 7, 6, 3, 6, 7, 7,...
## $ has_heart_disease <fct> no, yes, yes, no, no, no, yes, no, yes, yes,...
獲取有關資料型別，零值，無窮數和缺失值的統計資訊：
df_status(data)
## variable q_zeros p_zeros q_na p_na q_inf p_inf type unique
## 1 age 0 0 0 0.00 0 0 integer 41
## 2 max_heart_rate 0 0 0 0.00 0 0 integer 91
## 3 thal 0 0 2 0.66 0 0 factor 3
## 4 has_heart_disease 0 0 0 0.00 0 0 factor 2
df_status會返回一個表格，因此很容易篩選出符合某些條件的變數，例如：
有至少80％的非空值（p_na < 20）
有少於50個唯一值（unique <= 50）
建議：
所有變數都是正確的資料型別嗎？
有含有很多零或空值的變數嗎？
有高基數變數嗎？
更多相關資訊請瀏覽：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
第二步：分析分類變數
freq 函式自動統計資料集中所有因子或字元變數：
freq(data)
## thal frequency percentage cumulative_perc
## 1 3 166 54.79 55
## 2 7 117 38.61 93
## 3 6 18 5.94 99
## 4 <NA> 2 0.66 100
## has_heart_disease frequency percentage cumulative_perc
## 1 no 164 54 54
## 2 yes 139 46 100
## [1] "Variables processed: thal, has_heart_disease"
建議：
如果freq用於一個變數 -freq(data$variable)，它會生成一個表格。這對於處理高基數變數（如郵政編碼）非常有用。
將圖表以jpeg格式儲存到當前目錄中：
freq(data, path_out = ".")
分類變數的所有類別都有意義嗎？
有很多缺失值嗎？
經常檢查絕對值和相對值。
更多相關資訊請瀏覽：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
第三步：分析數值變數
我們將看到：plot_num和profiling_num兩個函式，它們都自動統計資料集中所有數值/整數變數：
1. 繪製圖表
plot_num(data)
將圖表匯出為jpeg格式：
plot_num(data, path_out = ".")
建議：
試著找出極度偏態分佈的變數。
作圖檢查任何有異常值的變數。
更多相關資訊請瀏覽：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
2. 定量分析
profiling_num 自動統計所有數值型/整型變數：
data_prof = profiling_num（data）
## variable mean std_dev variation_coef p_01 p_05 p_25 p_50 p_75 p_95
## 1 age 54 9 0.17 35 40 48 56 61 68
## 2 max_heart_rate 150 23 0.15 95 108 134 153 166 182
## p_99 skewness kurtosis iqr range_98 range_80
## 1 71 -0.21 2.5 13 [35, 71] [42, 66]
## 2 192 -0.53 2.9 32 [95.02, 191.96] [116, 176.6]
建議：
嘗試根據其分佈描述每個變數（對報告分析結果也很有用）。
注意標準差很大的變數。
選擇您最熟悉的統計指標：data_prof %>% select(variable, variation_coef, range_98):variation_coef得到較大值可能提示異常值。range_98顯示絕大部分數值的範圍。
更多相關資訊請瀏覽：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
第四步：同時分析數值和分類變數
使用Hmisc包的describe。
library(Hmisc)
describe(data)
## data
##
## 4 Variables 303 Observations
## ---------------------------------------------------------------------------
## age
## n missing distinct Info Mean Gmd .05 .10
## 303 0 41 0.999 54.44 10.3 40 42
## .25 .50 .75 .90 .95
## 48 56 61 66 68
##
## lowest : 29 34 35 37 38, highest: 70 71 74 76 77
## ---------------------------------------------------------------------------
## max_heart_rate
## n missing distinct Info Mean Gmd .05 .10
## 303 0 91 1 149.6 25.73 108.1 116.0
## .25 .50 .75 .90 .95
## 133.5 153.0 166.0 176.6 181.9
##
## lowest : 71 88 90 95 96, highest: 190 192 194 195 202
## ---------------------------------------------------------------------------
## thal
## n missing distinct
## 301 2 3
##
## Value 3 6 7
## Frequency 166 18 117
## Proportion 0.55 0.06 0.39
## ---------------------------------------------------------------------------
## has_heart_disease
## n missing distinct
## 303 0 2
##
## Value no yes
## Frequency 164 139
## Proportion 0.54 0.46
## ---------------------------------------------------------------------------
這對於快速瞭解所有變數非常有用。但是當我們想要使用統計結果來改變我們的資料工作流時，這個函式不如freq和profiling_num好用。
建議：
檢查最小值和最大值（異常值）。
檢查分佈（與之前相同）。
更多相關資訊請瀏覽：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
原文標題：
Exploratory Data Analysis in R (Introduction)
原文連結：
https://dzone.com/articles/exploratory-data-analysis-in-r-introduction
譯者簡介：蔣雨暢，香港理工大學大三在讀，主修地理資訊，輔修電腦科學，目前在研究學習通過資料科學等方法探索城市與人類活動的關係。希望能認識更多對資料科學感興趣的朋友，瞭解更多前沿知識，開拓自己的眼界。
「完」
本次轉自：THU資料派 微信公眾號；
關聯閱讀
原創系列文章：
資料運營 關聯文章閱讀：
資料分析、資料產品 關聯文章閱讀：
合作請加qq：365242293
更多相關知識請回復：“ 月光寶盒 ”；
資料分析（ID : ecshujufenxi ）網際網路科技與資料圈自己的微信，也是WeMedia自媒體聯盟成員之一，WeMedia聯盟覆蓋5000萬人群。