标签：数据分析 探索 saledata 400 https text net 数据 dissolve
文章目录
- 第三章 数据探索
- 3.1数据质量分析
-
- 1.主要任务
- 2.缺失值分析
- 3.异常值分析
- 4.一致性分析
- 3.2数据特征分析
-
- 1.分布分析
- 2.对比分析
- 3.统计量分析
- 4.周期性分析
- 5.相关性分析
- 3.3 R语言主要数据探索函数
-
- 1.统计特征函数
- 2.统计作图函数
第三章 数据探索
- 什么是数据探索
数据探索：检测数据，了解数据，这一步只做数据的分析，下一步针对这一步的分析结果，做数据的预处理。
书上的定义：对样本数据集的结构和规律进行分析的过程就是数据探索。数据探索有助于选择合适的数据预处理和建模方法。
为什么叫套路的总结：比如你初到某个地方，要了解这个地方，第一件事情就是可以随便逛随便观察，了解这个地方的结构，数据探索就是做这个事情的。 - 分类
数据质量分析。
数据特征分析。
3.1数据质量分析
1.主要任务
- 缺失值。
- 异常值，甚至不一致的值。
- 重复数据。
- 含有特殊符号的数据（如% # /等）。
2.缺失值分析
- 缺失值产生的原因：各种原因。
- 主要内容：缺失值的个数；缺失率。
- 处理方式：对缺失值进行插值或者直接删掉。
- 注意：这个不是数据质量分析，这个是数据预处理的内容。
3.异常值分析
- 异常值也称为离群点，异常值也称为离群点分析。
- 简单统计量分析 ：对变量做一个描述型统计，最常用的统计量是最大值和最小值，用来判断这个变量是否有问题。
- 如客户年龄这个变量最大值为199岁，则易知这个变量取值存在异常。
- 3delta原则 ：如数据服从正态分布，则取值与mean超过3标准差的值为异常值。 **- > 极小概率事件为异常值。 **
- 箱形图分析
- QU：上四分位置——数据按大小分四段，中段（2和3）最上面值。
- QL：下四分位。
- IQR：四分位间距
- 箱形图分析：异常值通常被定义为小于QL -1.5IQR或大于QU +1.5IQR的值。
缺失值——complete.cases() 帮助系统 ?complete.cases
> ?complete.cases
> saledata=read.csv(file = "G://!！aaclassnew//R语言//20181011//catering_sale.csv",header = TRUE)
> View(saledata)
> attributes(saledata)
> str(saledata)
> complete.cases(saledata)
> #利用setwd设置工作空间
> setwd("G:\!！aaclassnew\R语言\20181011")
Error: '\!' is an unrecognized escape in character string starting ""G:\!"
> setwd("G:/!！aaclassnew/R语言/20181011")
> #读入数据
> saledata=read.csv(file="catering_sale.csv",header = T)
> #缺失值检测并打印结果，利用sum()和mean()函数来分别获取缺失样本数、缺失比例
> sum(!complete.cases(saledata))
[1] 1
> sum(complete.cases(saledata))
[1] 200
> mean(!complete.cases(saledata))
[1] 0.004975124
> saledata[!complete.cases(saledata),]
日期 销量
15 2015/2/14 NA
> #异常值检测箱线图
> sp=boxplot(saledata$"销量",boxwex=0.7)
> title("销量异常值检测箱线图")
> xi=1.1
> sd.s=sd(saledata[complete.cases(saledata),]$"销量")
> mn.s=mean(saledata[complete.cases(saledata),]$"销量")
> points(xi,mn.s,col="red",pch=18)
> arrows(xi,mn.s-sd.s,xi,mn.s+sd.s,code = 3,col = "pink",angle = 75,length = .1)
> text(rep(c(1.05,1.05,0.95,0.95),length=length(sp$out)),labels = sp$out[order(sp$out)],
+ + sp$out[order(sp$out)]+rep(c(150,-150,150,-150),length=length(sp$out)),col = "red")
4.一致性分析
- 是指数据相互矛盾，不一致。
- 常发生在不同数据源集成的过程中。
3.2数据特征分析
1.分布分析
对数据整体的一个可视化，从而对数据有个大致的认识。
- 计算出变量的频率分布表，并画出频率分布直方图。
- 基本步骤——就是画频率直方图的步骤：
- 求出极差：最大值-最小值
- 决定组距和组数
- 决定画图时分布区间
- 列出频率分布表
- 绘制直方图
2.对比分析
对两个或多个变量进行比较分析。
绝对值对比或相对值对比。
3.统计量分析
常用指标：集中趋势和离中趋势。
- 集中趋势量
- 均值/期望：什么是均值；什么是期望。
- 中位数：中间那个位置的数——思考偶数个数值和基数个数值的处理。
- 众数：数据集中出现最频繁的值——不具唯一性。
- 离中趋势量
- 极差
- 标准差
- 变异系数：标准差相对于均值的离中趋势。
- 四分位数间距
setwd("G://!！aaclassnew//R语言//20181011")
saledata=read.table(file="catering_sale.csv",sep = ",",header = TRUE)
sales=saledata[,2]
#统计量分析
#均值
mean_=mean(sales,na.rm=T)
#中位数
median_=median(sales,na.rm=T)
#极差
range_=max(sales,na.rm=T)-min(sales,na.rm=T)
#标准差
std_=sqrt(var(sales,na.rm=T))
#变异系数
variation_=std_/mean_
#四分位数间距
q1=quantile(sales,0.25,na.rm = T)
q3=quantile(sales,0.75,na.rm = T)
distance=q3-q1
a=matrix(c(mean_,median_,range_,std_,variation_,q1,q3,distance),1,byrow = T)
colnames(a)=c("均值","中位数","极差","标准差","变异系数","1/4分位数","3/4分位数","四分位间距")
print(a)
4.周期性分析
画出变量值-时间轴曲线。
5.相关性分析
- 相关关系 ：若变量之间存在密切的关系，但又不能由一个或几个变量的值确定另一个变量的值，当自变量x取一定值时，因变量y的值可能有多个，这种变量之间的非一一对应的、不确定的关系，称为相关关系。
- 相关性分析：分析连续变量之间线性相关程度的强弱，并用统计指标表示出来的过程。
- 分析方法：
- 可视化——直接绘制散点图：
- 完全相关：一个变量的取值完全取决于另一个变量。
- 相关
- 不相关
- 计算相关系数：
- Pearson相关系数——要求连续变量取值服从正态分布。
- Pearson相关系数——要求连续变量取值服从正态分布。
- 可视化——直接绘制散点图：
setwd("G:/!！aaclassnew/R语言/20181011")
cordata=read.csv(file = "catering_sale_all.csv",header = T)
cor(cordata[,2:11])
3.3 R语言主要数据探索函数
1.统计特征函数
算术平均数：n<-mean(X)。
- X可为向量、矩阵或多维数组：当成一维计算所有元素的平均值。
- 方差var(): v<-var(X)。
- 若X为向量，计算向量的样本方差；若X为矩阵，则v为各列矩阵向量的样本方差构成的行向量。
- 标准差sd():s=sd(X)——类似var()
- 相关关系矩阵cor():
- R<-cor(x,y=NULL,use=“everything”,method=c(“person”,”Kendall”,”spearman”))
- 计算列向量x,y的相关系数矩阵R。
- use,method参数取值。
- 协方差矩阵cov(): R<-cov(x)
- 若x为向量，R表示x的方差；x为矩阵，cov(x)计算协方差矩阵
- cov(x,y)：其中x，y为长度相等的列向量相当于 cov(cbind(x,y))
- 方差var(): v<-var(X)。
2.统计作图函数
barplot(x):画条形图。
X可为向量或矩阵。若x为矩阵，依次按列画出条形图。
二维条形直方图
hist(x,freq=TRUE)
X为向量；
把x中的数值自动分组，各组组距相等，条形图每一条的高度表示频率或者频数——频数条形图；频率条形图。
breaks用来设置分组
- 其为一个数值向量时，则为其分组
- 若为一个整数，代表建议R所采取的分组数。
与barplot区别： - 条形图中间有间隔，多用于分类数据作图。
- 直方图各条中间没有间隔，多用于连续型数据分段作图
箱图：boxplot
箱图:boxplot(x)—绘制向量x的箱形图
中间的箱子的上下边，分别是第三，一个四分位数。
中间的黑线是第二四分位数（中位数）。
设r是变量的四分位距，箱图上方的小横线是小于或等于第三个四分位数+1.5 r的最大观测值。同时下方的小横线是，大于等于第一个四分位数减去1.5
r的最大的观测值。
图中的小白圈，代表很大可能性上是离群点(outlier).(在其他图中也适用）
函数图/散点图：plot(x,y)
X、y为向量；以x为横轴，y为重轴，画图。
参数teype指定绘图样式
- “o”：散点
- “l”：曲线
- “b”：点线混合
单变量散点图：dotchat(x) - x为向量或者矩阵，若为矩阵则按列画散点图，然后拼到一起。
标签：数据分析,探索,saledata,400,https,text,net,数据,dissolve 来源： https://www.cnblogs.com/lj-C/p/14978271.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。