在“R与生物统计专题”中，我们会从介绍R的基本知识展开到生物统计原理及其在R中的实现。以从浅入深，层层递进的形式在投必得医学公众号更新。

在上一讲中，我们介绍了第三讲 R编程基础-矩阵和数据框 (戳这里即可跳转)。到现在为止，大家已经学完了R语言的基础知识，马上就开始进阶地学习一些R语言相关的统计学技能了。

今天的更新，我们会带您学习R的基本统计学技能：描述性统计分析。

1. 将数据导入R

1.1 准备好你的数据命名约定

• 避免名称带有空格。

        好的列名：patient_age或patient.age。

列名错误：patient age。

• 避免使用带有特殊符号的名称：？，$，*，+，＃，(，)，-，/，}，{，|，>，

• 避免以数字开头的变量名。请改用字母。

  好的列名称：patient_1st_meal或x1st_meal。

  列名错误：1st_male

• 列名必须是唯一的。不允许重复的名称。

• R区分大小写。这意味着名称不同于名称或名称。

• 避免数据中出现空白行。

• 删除文件中的任何评论。

• 用NA替换缺少的值(不可用)。

• 如果你有包含日期的列，请使用四位数格式。

  格式良好：20160101。

  格式错误：01/01/16

1.2 将数据保存在外部.txt标签或.csv文件中1.3 如下将数据导入R

# 对于.txt文件my_data 

# 对于.csv文件my_data 

在这里，我们将使用名为iris的内置R数据集。

# 导入R内自带的iris数据集library(datasets)data(iris)

# 将数据存储在变量my_data中my_data 

1.3 检查数据

你可以使用head()和tails()函数检查数据，这将分别显示数据的第一部分和最后一部分。

# 显示前六行内容head(my_data, 6)

输出结果如下

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

2. 常用的描述性统计的R函数

一些用于计算描述性统计量的R函数：

✎ R函数

3. 单个组的描述性统计

3.1 集中趋势的度量：均值，中位数，众数

粗略地说，集中趋势衡量的是数据的“平均”或“中间”。最常用的衡量指标包括：

集中趋势

平均值：平均值。它对异常值很敏感。

中位数：中间值。这是一个强有力的替代手段。

众数：最频繁出现的值

在R中

• 函数mean()和median()可以分别计算平均值和中位数；

# 计算平均值mean(my_data$Sepal.Length)

[1] 5.843333

# 计算中位数median(my_data$Sepal.Length)

[1] 5.8

3.2 可变性的度量

可变性度量给出了数据“分散”的程度。

范围

极值：最小值和最大值

范围：最大值减去最小值

# 计算最小值min(my_data$Sepal.Length)

[1] 4.3

# 计算最大值max(my_data$Sepal.Length)

[1] 7.9

# 范围range(my_data$Sepal.Length)

[1] 4.3 7.9

四分位间距

四分位数将数据均匀分为4部分。四分位数间距(IQR)：对应于第一和第三四分位数之间的差异-有时被用作标准偏差的可靠替代方案。

• R功能：

quantile(x, probs = seq(0, 1, 0.25))

• x：需要样本分位数的数值向量。

• probs：在[0,1]之间的概率数值向量。

• 例：

quantile(my_data$Sepal.Length)

0%  25%  50%  75% 100%

4.3  5.1  5.8  6.4  7.9

# 计算十分位数(0.1，0.2，0.3，…，0.9)：quantile(my_data$Sepal.Length, seq(0, 1, 0.1))

# 计算四分位间距：IQR(my_data$Sepal.Length)

[1] 1.3

方差和标准差

方差表示与均值的平均平方差之和。标准差是方差的平方根。它测量数据中数值与平均值的平均偏差。

# 计算方差var(my_data$Sepal.Length)

# 计算标准差sd(my_data$Sepal.Length)

绝对中位数

绝对中位数(Median absolute deviation,MAD)：数据中值与中值的偏差，即先计算出数据与它们的中位数之间的残差(偏差)，MAD就是这些偏差的绝对值的中位数。

# 计算中位数median(my_data$Sepal.Length)

# 计算绝对中位数mad(my_data$Sepal.Length)

统计描述方式的选择

• 范围。它不经常使用，因为它对异常值非常敏感。

• 四分位间距。对于异常值，它非常强大。它多与中位数结合使用。

• 方差。完全无法解释的，因为它不使用与数据相同的单位。除了用作数学工具外，很少被使用。

• 标准偏差。方差的平方根。它以与数据相同的单位表示。在均值是集中趋势的分布(多指正态分布)的情况下，通常使用标准偏差。

• 绝对中位数。对于具有离群值的数据，这是一种估算标准偏差的可靠方法。但是不经常使用。

• 总而言之，四分位间距和标准差是用于报告数据变异性的两种最常用的度量。

3.3 计算变量和整个数据框的整体摘要summary()函数

函数summary()可用于显示一个变量或整个数据框的多个统计变量概况。

• 单个变量的概况。

返回六个值：平均值，中位数，第25和，75四分位数，最小值和最大值。

summary(my_data$Sepal.Length)

输出结果如下:

Min. 1st Qu.  Median    Mean 3rd Qu.    Max.4.300   5.100   5.800   5.843   6.400   7.900

数据框概况。

在这种情况下，函数summary()将自动应用于每列。结果的格式取决于列中包含的数据类型。例如：

• 如果列是数字变量，则返回均值，中位数，最小值，最大值和四分位数。

• 如果该列是一个因素变量(factor)，则返回每个组中的观察数。

summary(my_data, digits = 1)

输出结果如下:

Sepal.Length  Sepal.Width  Petal.Length  Petal.Width        SpeciesMin.   :4     Min.   :2    Min.   :1     Min.   :0.1   setosa    :501st Qu.:5     1st Qu.:3    1st Qu.:2     1st Qu.:0.3   versicolor:50Median :6     Median :3    Median :4     Median :1.3   virginica :50Mean   :6     Mean   :3    Mean   :4     Mean   :1.23rd Qu.:6     3rd Qu.:3    3rd Qu.:5     3rd Qu.:1.8Max.   :8     Max.   :4    Max.   :7     Max.   :2.5

3.4 缺失值的情况Tips

当数据包含缺失值时，即使仅缺少一个值，某些R函数也会返回错误或NA。

例如，即使向量中仅丢失一个值，mean()函数也将返回NA。使用参数na.rm = TRUE可以避免这种情况，该参数告诉函数在计算之前删除所有NA。使用均值函数的示例如下：

mean(my_data$Sepal.Length, na.rm = TRUE)

好了，本期讲解就先到这里。

在之后的更新中，我们会进一步为您介绍R的入门，以及常用生物统计方法和R实现。欢迎关注，投必得医学手把手带您走入R和生物统计的世界。

提前打个预告，接下来我们要正式开始学习R语言的统计学技能啦，下一期将会更新“R的描述性统计分析”。喜欢的同学们快快关注起来吧。

第一讲 R-基本介绍及安装第二讲 R-编程基础-运算、数据类型和向量等基本介绍第三讲 R编程基础-矩阵和数据框

当然啦，R语言的掌握是在长期训练中慢慢积累的。一个人学习太累，不妨加入“R与统计交流群”，和数百位硕博一起学习。

快扫二维码撩客服，

带你进入投必得医学交流群，

让我们共同进步！

↓↓

- END -

长按二维码关注「投必得医学」，更多科研干货在等你！

麻烦点一下在看再走呗