独家 | 一文读懂R中的探索性数据分析（附R代码）

作者：Pablo Casas

翻译：蒋雨畅

校对：车前子

本文约1500字，建议阅读7分钟。

本文将通过介绍一个代码模板的四个基本步骤，来帮助您完成数据分析的初期探索。

探索性数据分析（EDA）是数据项目的第一步。我们将创建一个代码模板来实现这一功能。

简介

EDA由单变量（1个变量）和双变量（2个变量）分析组成。在这篇文章中，我们将回顾一些我们在案例分析中使用的功能：

• 第1步：取得并了解数据；
• 第2步：分析分类变量；
• 第3步：分析数值变量；
• 第4步：同时分析数值和分类变量。

基本EDA中的一些关键点：

• 数据类型
• 异常值
• 缺失值
• 数值和分类变量的分布（数字和图形的形式）

分析结果的类型

结果有两种类型：信息型或操作型。

• 信息型：例如绘图或任何长变量概要，我们无法从中过滤数据，但它会立即为我们提供大量信息。大多数用于EDA阶段。
• 操作型：这类结果可直接用于数据工作流（例如，选择缺失比例低于20％的变量）。最常用于数据准备阶段。

准备开始

如果您没有这些扩展包，请删除‘#’来导入：

# install.packages("tidyverse") # install.packages("funModeling") # install.packages("Hmisc") funModeling已发布更新版本的Ago-1，请更新！ 现在加载所需的程序包 library(funModeling) library(tidyverse) library(Hmisc)

tl; dr（代码）

使用以下函数一键运行本文中的所有函数：

basic_eda <- function(data) { glimpse(data) df_status(data) freq(data) profiling_num(data) plot_num(data) describe(data) }

替换data为您的数据，然后就可以啦！

basic_eda(my_amazing_data)

创建示例数据：

使用heart_disease数据（来自funModeling包）。为了使本文容易理解，我们只选取四个变量。

data=heart_disease %>% select(age, max_heart_rate, thal, has_heart_disease)

第一步：了解数据

统计第一个例子中观测（行）和变量的数量，并使用head显示数据的前几行。

glimpse(data) ## Observations: 303 ## Variables: 4 ## $ age <int> 63, 67, 67, 37, 41, 56, 62, 57, 63, 53, 57, ... ## $ max_heart_rate <int> 150, 108, 129, 187, 172, 178, 160, 163, 147,... ## $ thal <fct> 6, 3, 7, 3, 3, 3, 3, 3, 7, 7, 6, 3, 6, 7, 7,... ## $ has_heart_disease <fct> no, yes, yes, no, no, no, yes, no, yes, yes,...

获取有关数据类型，零值，无穷数和缺失值的统计信息：

df_status(data) ## variable q_zeros p_zeros q_na p_na q_inf p_inf type unique ## 1 age 0 0 0 0.00 0 0 integer 41 ## 2 max_heart_rate 0 0 0 0.00 0 0 integer 91 ## 3 thal 0 0 2 0.66 0 0 factor 3 ## 4 has_heart_disease 0 0 0 0.00 0 0 factor 2

df_status会返回一个表格，因此很容易筛选出符合某些条件的变量，例如：

• 有至少80％的非空值（p_na < 20）
• 有少于50个唯一值（unique <= 50）

建议：

• 所有变量都是正确的数据类型吗？
• 有含有很多零或空值的变量吗？
• 有高基数变量吗？

更多相关信息请浏览： https://livebook.datascienceheroes.com/exploratory-data-analysis.html

第二步：分析分类变量

freq 函数自动统计数据集中所有因子或字符变量：

freq(data)

## thal frequency percentage cumulative_perc ## 1 3 166 54.79 55 ## 2 7 117 38.61 93 ## 3 6 18 5.94 99 ## 4 <NA> 2 0.66 100

## has_heart_disease frequency percentage cumulative_perc ## 1 no 164 54 54 ## 2 yes 139 46 100 ## [1] "Variables processed: thal, has_heart_disease"

建议：

• 如果freq用于一个变量 -freq(data$variable)，它会生成一个表格。这对于处理高基数变量（如邮政编码）非常有用。
• 将图表以jpeg格式保存到当前目录中： freq(data, path_out = ".")
• 分类变量的所有类别都有意义吗？
• 有很多缺失值吗？
• 经常检查绝对值和相对值。

更多相关信息请浏览： https://livebook.datascienceheroes.com/exploratory-data-analysis.html

第三步：分析数值变量

我们将看到：plot_num和profiling_num两个函数，它们都自动统计数据集中所有数值/整数变量：

1. 绘制图表

plot_num(data)

将图表导出为jpeg格式：

plot_num(data, path_out = ".")

建议：

• 试着找出极度偏态分布的变量。
• 作图检查任何有异常值的变量。

更多相关信息请浏览： https://livebook.datascienceheroes.com/exploratory-data-analysis.html

2. 定量分析

profiling_num 自动统计所有数值型/整型变量：

data_prof = profiling_num（data） ## variable mean std_dev variation_coef p_01 p_05 p_25 p_50 p_75 p_95 ## 1 age 54 9 0.17 35 40 48 56 61 68 ## 2 max_heart_rate 150 23 0.15 95 108 134 153 166 182 ## p_99 skewness kurtosis iqr range_98 range_80 ## 1 71 -0.21 2.5 13 [35, 71] [42, 66] ## 2 192 -0.53 2.9 32 [95.02, 191.96] [116, 176.6]

建议：

• 尝试根据其分布描述每个变量（对报告分析结果也很有用）。
• 注意标准差很大的变量。
• 选择您最熟悉的统计指标：data_prof %>% select(variable, variation_coef, range_98):variation_coef得到较大值可能提示异常值。range_98显示绝大部分数值的范围。

更多相关信息请浏览： https://livebook.datascienceheroes.com/exploratory-data-analysis.html

第四步：同时分析数值和分类变量

使用Hmisc包的describe。

library(Hmisc) describe(data) ## data ## ## 4 Variables 303 Observations ## --------------------------------------------------------------------------- ## age ## n missing distinct Info Mean Gmd .05 .10 ## 303 0 41 0.999 54.44 10.3 40 42 ## .25 .50 .75 .90 .95 ## 48 56 61 66 68 ## ## lowest : 29 34 35 37 38, highest: 70 71 74 76 77 ## --------------------------------------------------------------------------- ## max_heart_rate ## n missing distinct Info Mean Gmd .05 .10 ## 303 0 91 1 149.6 25.73 108.1 116.0 ## .25 .50 .75 .90 .95 ## 133.5 153.0 166.0 176.6 181.9 ## ## lowest : 71 88 90 95 96, highest: 190 192 194 195 202 ## --------------------------------------------------------------------------- ## thal ## n missing distinct ## 301 2 3 ## ## Value 3 6 7 ## Frequency 166 18 117 ## Proportion 0.55 0.06 0.39 ## --------------------------------------------------------------------------- ## has_heart_disease ## n missing distinct ## 303 0 2 ## ## Value no yes ## Frequency 164 139 ## Proportion 0.54 0.46 ## ---------------------------------------------------------------------------

这对于快速了解所有变量非常有用。但是当我们想要使用统计结果来改变我们的数据工作流时，这个函数不如freq和profiling_num好用。

建议：

• 检查最小值和最大值（异常值）。
• 检查分布（与之前相同）。

更多相关信息请浏览： https://livebook.datascienceheroes.com/exploratory-data-analysis.html

原文标题：

Exploratory Data Analysis in R (Introduction)

原文链接：

https://dzone.com/articles/exploratory-data-analysis-in-r-introduction

译者简介

蒋雨畅，中国香港理工大学大三在读，主修地理信息，辅修计算机科学，目前在研究学习通过数据科学等方法探索城市与人类活动的关系。希望能认识更多对数据科学感兴趣的朋友，了解更多前沿知识，开拓自己的眼界。