1、分组分析aggregation

根据分组字段，将分析对象划分为不同的部分，以进行对比分析各组之间差异性的一种分析方法。
常用统计指标：
计数 length
求和 sum
平均值 mean
标准差 var
方差 sd
分组统计函数
aggregate(分组表达式，data=需要分组的数据框，function=统计函数）
参数说明
formula：分组表达式，格式：统计列~分组列1+分组列2+...
data=需要分组的数据框
function：统计函数

aggregate(name ~ class, data=data, FUN=length);
#求和
aggregate(score ~ class, data=data, FUN=sum);
#均值
aggregate(score ~ class, data=data, FUN=mean);
#方差
aggregate(score ~ class, data=data, FUN=var);
#标准差
aggregate(score ~ class, data=data, FUN=sd)

2、分布分析cut

根据分析目的，将数据(定量数据）进行等距或者不等距的分组，进行研究各组分布规律的一种分析方法。

分组函数

cut(data,breaks,labels,right)

参数说明

data=需要分组的一列数据

breaks=分组条件，如果是一个数字，那么将平均分组；如果是一个数组，那么将按照指定范围分组

labels：分组标签

right：指定范围是否右闭合，默认为右闭合，right参数为TRUE

用户明细 <- read.csv('data.csv', stringsAsFactors=FALSE)
head(用户明细)breaks <- c(min(用户明细$年龄)-1, 20, 30, 40, max(用户明细$年龄)+1)年龄分组 <- cut(用户明细$年龄, breaks = breaks)
用户明细[, '年龄分组1'] <- 年龄分组年龄分组 <- cut(用户明细$年龄, breaks = breaks, right = FALSE)
用户明细[, '年龄分组2'] <- 年龄分组labels <- c('20岁以及以下', '21岁到30岁', '31岁到40岁', '41岁以上');
年龄分组 <- cut(用户明细$年龄, breaks = breaks, labels = labels)
用户明细[, '年龄分组'] <- 年龄分组head(用户明细)aggregate(formula=用户ID ~ 年龄分组, data=用户明细, FUN=length)

3、交叉分析tapply（相当于excel里的数据透视表）

通常用于分析两个或两个以上，分组变量之间的关系，以交叉表形式进行变量间关系的对比分析；

交叉分析的原理就是从数据的不同维度，综合进行分组细分，以进一步了解数据的构成、分布特征。

交叉分析函数：

tapply(统计向量，list(数据透视表中的行，数据透视变中的列),FUN=统计函数)

返回值说明：

一个table类型的统计量

breaks <- c(min(用户明细$年龄)-1, 20, 30, 40, max(用户明细$年龄)+1)

labels <- c('20岁以及以下', '21岁到30岁', '31岁到40岁', '41岁以上');
年龄分组 <- cut(用户明细$年龄, breaks = breaks, labels = labels)
用户明细[, '年龄分组'] <- 年龄分组head(用户明细)tapply(用户明细$用户ID, list(用户明细$年龄分组, 用户明细$性别), FUN=length)

4、结构分析prop.table

是在分组的基础上，计算各组成部分所占的比重，进而分析总体内部特征的一种分析方法。

for example：资产占有率就是一个非常经典的运用

统计占比函数

prop.table(table,margin=NULL)

参数说明：

table,使用tapply函数统计得到的分组计数或求和结果

margin,占比统计方式，具体参数如下：

属性注释

1 按行统计占比

2 按列统计占比

NULL 按整体统计占比

data <- read.csv('data.csv', stringsAsFactors=FALSE);

head(data)t <- tapply(data$月消费.元., list(data$通信品牌), sum)
t
prop.table(t);t <- tapply(data$月消费.元., list(data$通信品牌), mean)
t
prop.table(t);t <- tapply(data$月消费.元., list(data$省份, data$通信品牌), sum)
t
prop.table(t, margin = 2)

5、相关分析prop.table

是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。

相关系数r 可以用来描述定量变量之间的关系

R中五种常用的统计分析方法相关推荐

R中两种常用并行方法——2. snowfall
上一篇博客(R中两种常用并行方法--1. parallel)中已经介绍了R中常见的一种并行包:parallel,其有着简单便捷等优势,其实缺点也是非常明显,就是很不稳定.很多时候我们将大量的计算任务挂 ...
五种常用异常值检测方法
Toggle navigation 首页产业趋势专家观察 CISO洞察决策研究登录 APP下载数据挖掘最前线:五种常用异常值检测方法安全运营机器之心 2019-07-05 通过鉴别故障来 ...
Unity（游戏）中五种数据存储的方法
Unity(游戏)中五种数据存储的方法一.PlayerPrefs unity3d提供了一个用于本地持久化保存与读取的类-------PlayerPrefs.工作原理很简单,以键值对的形式将数据保存在 ...
Android中五种常用对话框的使用
场景 Android中常用的五种对话框为常规对话框.带列表的对话框.自定义的对话框.带进度条的对话框.带日期选择器的对话框. 注: 博客: https://blog.csdn.net/badao_l ...
python 中五种常用的数据类型
一.字符串单引号定义: str1 = 'hello' 双引号定义: str1 = "hello" 三引号定义:"""人生苦短,我用python!&q ...
数据挖掘最前线：五种常用异常值检测方法
通过鉴别故障来检测异常对任何业务来说都很重要.本文作者总结了五种用于检测异常的方法,下面一起来看看吧. 什么是异常/离群点? 在统计学中,离群点是并不属于特定族群的数据点,是与其它值相距甚远的异常观测 ...
Android中五种常用的menu
Android Menu在手机的应用中起着导航的作用,作者总结了5种常用的Menu. 1.左右推出的Menu 前段时间比较流行,我最早是在海豚浏览器中看到的,当时耳目一新.最早使用左右推出菜单的,听说 ...
Android UI开发第二十九篇——Android中五种常用的menu（菜单）
Android Menu在手机的应用中起着导航的作用,作者总结了5种常用的Menu. 1.左右推出的Menu 前段时间比较流行,我最早是在海豚浏览器中看到的,当时耳目一新.最早使用左右推出菜单的,听说 ...
软件工程中五种常用的软件开发模型整理
软件工程期末考试复习资料整理,顺便码了个博客,emmm~ 下面都是我对各位博主文章种我认为写的比较好的内容的截取引言软件将要经历一个定义.开发.运行维护,直至被淘汰这样的生命周期. 为了使软件生命 ...
javascript中五种常见的DOM方法
getElementById将返回一个与那个有着给定id属性值的元素节点对应的对象. <html xmlns="http://www.w3.org/1999/xhtml"&g ...

R中五种常用的统计分析方法