数值型数据的探索分析

高调耀眼

数据分析过程中，往往需要对数据作基本的探索性分析，查看数据是否存在问题，如缺失值数量、是否存在明显的异常值、数据是如何分布的、数据的集中趋势和离散趋势等。
探索性分析一般包括三大部分，即数据的分布情况、数据的集中与离散趋势和数据的分布形态：
首先来看看关于数据分布情况的探索性分析。一般统计中通过5数就可以大致了解数据的分布，他们是最小值、下四分位数、中位数、上四分位数和最大值。
其次看看数据的集中趋势和离散趋势，通过集中趋势可以了解数据的中心值或代表值，通过离散趋势可以了解数据远离中心的程度。关于集中趋势，一般可使用均值、众数、中位数来衡量，离散趋势一般通过标准差、极差和四分位差来体现。
最后看看数据的分布形态，数据的分布形态无非是相比于正态分布而言，即偏度和峰度。偏度是数据分布形态呈现左偏或右偏；峰度是数据分布形态呈现尖瘦或矮胖。对于偏度和峰度需要说明的是：若偏度=0，则无偏；若偏度>0，则有偏；若偏度<0，则左偏；若峰度=0，则陡峭程度与正态分布一致；如峰度>0，则分布陡峭；若峰度<0，则分布平缓。
下面从定量和定性的角度看观察数据的探索性分析过程：

自定义函数describe_statistics，函数返回变量的观测数目、缺失值数目、最小值、下四分位数、中位数、上四分位数、最大值、均值、众数、标准差、极差、四分位差、偏度和峰度。

这里的自定义函数返回结果类似于SAS的输出结果形态：

1. describe_statistics <- function(x){
   
2. options(digits = 3)
   
3. require(timeDate);
   
4. N = length(x);
   
5. Nmiss = sum(is.na(x));
   
6. Min = min(x, na.rm = TRUE);
   
7. Q1 = quantile(x, probs = 0.25, na.rm = TRUE);
   
8. Median = median(x, na.rm = TRUE);
   
9. Q3 = quantile(x, probs = 0.75, na.rm = TRUE);
   
10. Max = max(x, na.rm = TRUE);
    
11. Mean = mean(x, na.rm = TRUE);
    
12. Mode = as.numeric(names(table(x)))[which.max(table(x))];
    
13. Sd = sd(x, na.rm = TRUE);
    
14. Range = abs(diff(range(x)));
    
15. QRange = IQR(x, na.rm = TRUE);
    
16. Skewness = skewness(x, na.rm = TRUE);
    
17. Kurtosis = kurtosis(x, na.rm = TRUE);
    
18. #返回函数结果
    
19. return(data.frame(N = N, Nmiss = Nmiss, Min = Min, Q1 = Q1, Median
    
20. = Median, Q3 = Q3, Max = Max, Mean = Mean, Mode = Mode, Sd = Sd, Range
    
21. = Range, QRange = QRange, Skewness = Skewness, Kurtosis = Kurtosis))
    
22. }

复制代码

下面就用这个自定义函数来测试一下，通过上面的这些统计量值来探索数据分布、集中趋势、离散趋势和分布形态。由于本文讲解的是数值型数据的探索分析，故需要将数据框中的数值型数据挑选出来，仍然自定义函数，返回数据框中所有数值型数据的字段：

1. Value_Variables <- function(df){
   
2. Vars <- names(df)[sapply(df,class) == 'integer' |sapply(df,class)== 'numeric']
   
3. return(Vars)
   
4. }

复制代码

以R中自带的iris数据集测试：

1. vars <- Value_Variables(iris)
   
2. res <- sapply(iris[,vars], describe_statistics)
   
3. res

复制代码

上面的结果呈现了鸢尾花四个数值型变量的探索性分析。
以C50包中的churnTrain数据集测试：

1. library(C50)
   
2. data(churn)
   
3. vars <- Value_Variables(churnTrain)
   
4. res <- sapply(churnTrain[,vars], describe_statistics)
   
5. res

复制代码

很显然，当变量很多时，这样的返回结果让人看的很难受，如要使输出结果便读的话，可以将返回结果转置：

1. t(res)

复制代码

这会结果要比较整齐，好看。
以上是从定量的角度来探索数据的分布、集中趋势、离散趋势和分布形态，下面简单介绍一下定性的方法。
从定性角度，即通过可视化来进行数据的探索性分析，强烈推荐使用GGally包中的ggpairs()函数，该函数将
绘制两两变量的相关系数、散点图，同时也绘制出单变量的密度分布图：

1. library(GGally)
   
2. vars <- Value_Variables(iris)
   
3. ggpairs(iris[,vars])

复制代码

上图不仅仅反映了数据的分布情况、还得出两两变量间的散点图和相关系数，可为下一步分析做铺垫。
数据的探索性分析过程中，通过定量和定性方法的搭配，可使分析者快速的了解数据的结构、分布及内在关系。