以iris数据集为例做演示。

1.查看数据

> #1.查看数据集的大小和结构，维度、名称、属性。
> dim(iris)
[1] 150   5
> names(iris)
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"
> str(iris)
'data.frame': 150 obs. of  5 variables:$ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...$ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...$ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...$ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...$ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
> attributes(iris)
$names
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"     $row.names[1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25[26]  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50[51]  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75[76]  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99 100
[101] 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125
[126] 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150$class
[1] "data.frame"

查看数据集的前几行和后几行：

> iris[1:5,]Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
> head(iris)Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa
> tail(iris)Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
145          6.7         3.3          5.7         2.5 virginica
146          6.7         3.0          5.2         2.3 virginica
147          6.3         2.5          5.0         1.9 virginica
148          6.5         3.0          5.2         2.0 virginica
149          6.2         3.4          5.4         2.3 virginica
150          5.9         3.0          5.1         1.8 virginica

还可以查找某一列的值。（注：下面的两个代码是等价的）

> iris[1:10,"Sepal.Length"][1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
> iris$Sepal.Length[1:10][1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9

2.单变量探索

用summary()看数据的分布情况，当变量是数值型时，返回的是最小值、最大值、平均值、中位数、四分之一中位数、四分之三中位数。如果变量是因子类型，则返回的是每一个等级水平的频数。

> summary(iris)Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100   setosa    :50  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300   versicolor:50  Median :5.800   Median :3.000   Median :4.350   Median :1.300   virginica :50  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199                  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800                  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500

通过其他方式看平均值、中位数、极差，四分位数和百分位数。

> mean(iris$Sepal.Length)
[1] 5.843333
> median(iris$Sepal.Length)
[1] 5.8
> range(iris$Sepal.Length)
[1] 4.3 7.9
> mean(iris$Sepal.Length)
[1] 5.843333
> median(iris$Sepal.Length)
[1] 5.8
> range(iris$Sepal.Length)
[1] 4.3 7.9
> quantile(iris$Sepal.Length)0%  25%  50%  75% 100% 4.3  5.1  5.8  6.4  7.9
> quantile(iris$Sepal.Length, c(.1, .3, .65))10%  30%  65%
4.80 5.27 6.20

查看方差、绘制直方图，计算密度估计值。

> var(iris$Sepal.Length)
[1] 0.6856935
> hist(iris$Sepal.Length)

> hist(iris$Sepal.Length)


对于因子，可以先算频数，然后画饼图或条形图。

> table(iris$Species)setosa versicolor  virginica 50         50         50 
> pie(table(iris$Species))

> barplot(table(iris$Species))


3.多变量探索
 计算变量之间的协方差和相关系数。

> cov(iris$Sepal.Length, iris$Petal.Length)
[1] 1.274315
> cov(iris[,1:4])Sepal.Length Sepal.Width Petal.Length Petal.Width
Sepal.Length    0.6856935  -0.0424340    1.2743154   0.5162707
Sepal.Width    -0.0424340   0.1899794   -0.3296564  -0.1216394
Petal.Length    1.2743154  -0.3296564    3.1162779   1.2956094
Petal.Width     0.5162707  -0.1216394    1.2956094   0.5810063
> cor(iris$Sepal.Length, iris$Petal.Length)
[1] 0.8717538
> cor(iris[,1:4])Sepal.Length Sepal.Width Petal.Length Petal.Width
Sepal.Length    1.0000000  -0.1175698    0.8717538   0.8179411
Sepal.Width    -0.1175698   1.0000000   -0.4284401  -0.3661259
Petal.Length    0.8717538  -0.4284401    1.0000000   0.9628654
Petal.Width     0.8179411  -0.3661259    0.9628654   1.0000000

计算每一种鸢尾花的Sepal.Length的统计数据。

> aggregate(Sepal.Length ~ Species, summary, data=iris)Species Sepal.Length.Min. Sepal.Length.1st Qu. Sepal.Length.Median Sepal.Length.Mean
1     setosa             4.300                4.800               5.000             5.006
2 versicolor             4.900                5.600               5.900             5.936
3  virginica             4.900                6.225               6.500             6.588Sepal.Length.3rd Qu. Sepal.Length.Max.
1                5.200             5.800
2                6.300             7.000
3                6.900             7.900

绘制盒形图，以展示数据分布的中位数、第一四分位数、第三四分位数、离群点、以及四分位差（IQR）。

> boxplot(Sepal.Length~Species, data=iris)


绘制两个变量的散点图。

> with(iris, plot(Sepal.Length, Sepal.Width, col=Species, pch=as.numeric(Species)))
> #使用with()后，不需要变量名称前面加上iris前缀。不同类别的数据点设置了不同的颜色和标志。

当数据量大时，为了避免数据点之间的重叠，可以添加少量扰动噪声数据。

> plot(jitter(iris$Sepal.Length), jitter(iris$Sepal.Width))


生成散点图矩阵。

> pairs(iris)

4.更多探索

更多的有3D散布图、等级图、等高图、交互图和平行坐标。

3D散布图可以通过scatterplot3d包生成。

> #install.packages('scatterplot3d')
> library(scatterplot3d)
> scatterplot3d(iris$Petal.Width, iris$Sepal.Length, iris$Sepal.Width)

rgl包提供了plot3d()支持交互3D散布图。

> #install.packages('rgl')
> library(rgl)
> plot3d(iris$Petal.Width, iris$Sepal.Length, iris$Sepal.Width)

热力图是数据矩阵的2D展示，下面用dist()函数计算不同观测之间的相似度，并绘制热力图。

> distMatrix <- as.matrix(dist(iris[,1:4]))
> heatmap(distMatrix)

lattice包中的levelplot()可以绘制等级图，使用grey.colors()创建一个γ校正灰色向量。

library(lattice)
levelplot(Petal.Width~Sepal.Length*Sepal.Width, iris, cuts=9,col.regions=grey.colors(10)[10:1])

等高图可以用graphics包中的contour()函数和lattice包中的filled.contour()函数绘制。

> filled.contour(volcano, color=terrain.colors, asp=1,plot.axes=contour(volcano, add=T))

用persp()函数画3D曲面图。

> persp(volcano, theta=25, phi=30, expand=0.5, col="lightblue")

平行坐标为多维数据提供了良好的可视化效果。平行坐标可以通过MASS包中的parcoord()和lattice包中的函数parallelplot()绘制。

> library(MASS)
> parcoord(iris[1:4], col=iris$Species)
> library(lattice)
> parallelplot(~iris[1:4] | Species, data=iris)

ggplot2包支持复杂的图像，对探索数据十分有用，下面仅给出一个简单的示例。

> library(ggplot2)
> qplot(Sepal.Length, Sepal.Width, data=iris, facets=Species ~.)

5.将图表保存到文件中

数据探索过程中生成的大量图表，最好保存到一个文件中，以便查看分析。pdf()将图表保存到pdf文件，postscript()将图表保存到PS文件中。BMP, JPEG, PNG, TIFF格式的图像文件可以分别由bmp(), jpeg(), png(), tiff()生成。要提醒的是，这些文件（图像设备）在图像绘制完成后，需要使用函数graphics.off()或dev.off()关闭。

> # save as a PDF file
> pdf("myPlot.pdf")
> x <- 1:50
> plot(x, log(x))
> graphics.off()
> # Save as a postscript file
> postscript("myPlot2.ps")
> x <- -20:20
> plot(x, x^2)
> graphics.off()

用R语言进行数据探索相关推荐

  1. 大数据分析R语言tidyverse数据清洗工具教程

    凌乱的数据集无处不在.如果要分析数据,不可避免地需要清理数据.在大数据分析R语言tidyverse数据清洗工具教程中,我们将研究如何使用R和一些漂亮的tidyverse工具来做到这一点. 该tidyv ...

  2. R语言生物群落数据统计分析

    R 语言作的开源.自由.免费等特点使其广泛应用于生物群落数据统计分析.生物群落数据多样而复杂,涉及众多统计分析方法.本文以生物群落数据分析中的最常用的统计方法回归和混合效应模型.多元统计分析技术及结构 ...

  3. R语言进行数据聚合统计（Aggregating transforms）计算滑动窗口统计值（Window Statistics）：使用R原生方法、data.table、dplyr等方案、计算滑动分组统计

    R语言进行数据聚合统计(Aggregating transforms)计算滑动窗口统计值(Window Statistics):使用R原生方法.data.table.dplyr等方案.计算滑动分组统计 ...

  4. R语言进行数据聚合统计（Aggregating transforms）实战：使用R原生方法、data.table、dplyr等方案、计算分组均值并添加到可视化结果中

    R语言进行数据聚合统计(Aggregating transforms)实战:使用R原生方法.data.table.dplyr等方案.计算分组均值并添加到可视化结果中 目录

  5. R语言dataframe数据列中的缺失值NA的个数统计实战：特定数据列的NA值统计、所有特征的NA值统计

    R语言dataframe数据列中的缺失值NA的个数统计实战:特定数据列的NA值统计.所有特征的NA值统计 目录

  6. R语言将数据列中的多种日期格式统一变化为一种固定格式实战：使用lubridate包中的parse_date_time函数

    R语言将数据列中的多种日期格式统一变化为一种固定格式实战:使用lubridate包中的parse_date_time函数 目录

  7. R语言dataframe数据列格式转换（从整型integer转化为浮点型float）

    R语言dataframe数据列格式转换(从整型integer转化为浮点型float) 目录 R语言dataframe数据列格式转换(从整型integer转化为浮点型float)

  8. 用R语言把数据玩出花样

    用R语言把数据玩出花样 数据处理 R 去重 数据可视化 阅读759  R语言作为统计学一门语言,一直在小众领域闪耀着光芒.直到大数据的爆发,R语言变成了一门炙手可热的数据分析的利器.随着越来越多的工程 ...

  9. r语言数据变量分段_使用R语言实现数据分段

    使用R语言实现数据分段 今天跟大家讲讲我工作中用到的数据分段,数据分段一般在什么地方会使用到呢?评分.之前写过一篇<实战: RFM>模型使用,那篇文章就详细介绍了CRM(客户关系管理)分析 ...

最新文章

  1. MVVM Light学习笔记（三）：Messenger
  2. 2018java多线程面试题_2018JAVA面试题附答案
  3. Some Essential JavaScript Questions And Answers(3)
  4. $.countdown is not a function
  5. [html] IE6文字溢出BUG（别名：多出来的猪、谍影重重）怎么解决呢？
  6. Anaconda 安装 ml_metrics package
  7. CCNA 学习笔记(七)--交换知识（VLAN VTP TRUNK)
  8. sql取字段前4位_SQL学习之旅（7）
  9. SK海力士与电装四巨头论半导体供给
  10. linux内核提高系统实时性,Linux操作系统实时性分析及改进策略
  11. 没钱充会员 百度网盘下载限速怎么办？这些招可以突破百度网盘非会员限速限制
  12. w ndows7打印机添加,Windows7操作系统下添加打印机教程
  13. 2022网络安全技术自学路线图及职业选择方向
  14. 4星|《激荡十年，水大鱼大》：过去十年间国内商业简史
  15. C#中的事件（event）
  16. 【土旦】在vue filters中 优雅的使用对象的key、value来替换 if switch多重判断简化流程...
  17. web服务器的开发(简易版本）
  18. 绝对精美的ios壁纸【收藏】
  19. web前端期末大作业——餐品后台管理系统(html+css+javascript)
  20. 引入文件报错的解决方法（bootstrap+jquery项目）

热门文章

  1. 创新案例｜语言教育App头牌Duolingo如何重新点燃用户增长350%
  2. Linux挂载--什么是挂载
  3. 【数据结构】带头结点的单链表
  4. Linux库函数之opendir/closedir/readdir
  5. Day Thirteen
  6. 智汀教你如何用手机远程控制智能门锁
  7. 健身软件的全球与中国市场2022-2028年：技术、参与者、趋势、市场规模及占有率研究报告
  8. MAC系统 LightGBM模型转为pmml格式
  9. gensim 主题模型 seed
  10. Java实现 LeetCode 526 优美的排列（DFS）