R语言之数据可视化 - 了解数据特征

1. R语言 数据基础

　　- 观测（pbservation）、变量（variable）、数据矩阵（data matrix）

　　　　

　　- 变量的类型

　　　　1. 数值（quantitative）：可以进行加减乘除求平均等运算

　　　　　　- 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）

　　　　2. 分类（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）

　　　　1. 两个数值变量

　　　　2. 两个分类变量

　　　　3. 一个数值变量、一个分类变量

2. R语言 数值变量的特征和可视化

　　2.1 数据集中趋势的测量（measures of center）

　　　　- 均值（mean）、中位数（median）、众数（mode）

　　　　　　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

　　　　　　众数：出现次数最多的数

　　2.2 数据分散趋势的测量（measures of spread）

　　　　- 值域（range）、方差（variance）、标准差（standard variance）、四分位距（interquartile range）

　　　　　　方差 = 

　　　　　　　　（每一个数据减去平均数）做平方²，再进行加和∑，最后除以（数据个数-1）

　　　　　　标准差 = 方差开方　　

> x <- c(1,9,2,8,3,9,4,5,7,6)
> mean(x)
[1] 5.4
> median(x)
[1] 5.5
> var(x)
[1] 8.266667
> sd(x)
[1] 2.875181
> summary(x)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00    3.25    5.50    5.40    7.75    9.00 
> 

　　2.3 稳健统计量（robust statistics）

　　　　- 是稳健统计量：中位数、四分位差（受极端值影响小）

　　　　- 非稳健统计量：均值、标准差、值域（受极端值影响大）

　　2.4 一个变量的可视化：

　　　　- 柱状图（histogram）、点图（dot plot）（分布）

　　　　　　左偏分布、正态分布（单峰分布）、右偏分布、点图

　　　　　　

　　　　- 箱图（box plot）（中位数、分位点、极端值）

　　　　　　Q1: 25%分位点值　　　　Q3: 75%分位点值

　　　　　　

　　2.5 两个变量的关系：

　　　　- 散点图（scatter plot）：方向、形状、强度、极端值

　　　　　　

3. R语言 分类变量的特征和可视化

　　3.1 一个分类变量的可视化

　　　　- 频率表（frequency table）、条形图（bar plot）

　　　　　　

　　3.2 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（mosaic plot）

　　　　　　

　　3.3 一个分类变量、一个数值变量的关系

　　　　- 并排箱图（side-by-side box plot）

　　　　　　　

4. 小结