如何用 4 行 R 语句,快速探索你的数据集?

472 阅读5分钟

用最简单的方式,完成探索性分析。

痛点

实践中,大量数据分析时间,都会花在数据清洗与探索性数据分析(Exploratory Data Analysis, EDA)。即缺失值统计处理,和变量分布可视化。

数据采集过程中,可能有缺失。

你需要了解缺失数据的多少,以及它们可能对后续分析造成的影响。

如果某个变量的缺失数据少,干脆把含有缺失值的行(观测)扔掉就算了,免得影响分析精确程度。

但如果缺失数据太多,都扔掉就不可行了。你需要考虑如何进行填补。是用0,用 "unknown" ,还是使用均值或中位数?

另外,你可能还想看看每个特征变量的分布情况。

例如定量数据是正态分布,还是幂律分布?这对你后面合理进行研究假设,都是有影响的。

即便是对于分类数据,你也要了解独特取值(unique values)的个数,以便做到心中有数。

这些工作很有必要。但是实现起来,却一直很麻烦。即便是 R 这样专门给统计工作者使用的软件,从前也需要调用若干条命令(一般跟特征变量个数成正比),才能完成。

我最近发现了一款 R 包,可以非常方便地进行数据集总结概览。只要一条语句,就帮你完成探索性数据分析中的许多步骤。

通过本文,我把它分享给你。希望对你的数据分析工作有帮助。

演示

你不需要安装任何软件。只需要点击这个链接t.cn/Rg1JFfo),就可以使用 R 编程环境了。

等准备工作完毕,你会看到,浏览器里面开启了一个 RStudio 界面。

点击左上角的 File -> New File ,选择菜单里面的第一项 R Script

此时,你会看到左侧分栏一个空白编辑区域开启,可以输入语句了。

输入之前,我们先给文件起个名字。点击 File -> Save 按钮。

在新出现的对话框里面,输入 demo ,回车。

我们一共需要如下输入4条语句。你可以直接复制粘贴进编辑区域。

library(tidyverse)
library(summarytools)
flights <- read_csv("https://gitlab.com/wshuyi/demo-data-flights/raw/master/flights.csv")
view(dfSummary(flights))

分别解释一下含义。其实前3行语句,都是准备工作。真正总结概览功能,只需第4条。

第一行: tidyverse 是一个非常重要的库。可以说它改进了 R 语言处理数据的生态环境。而这个库中的大部分工具,都是 Hadley Wickham 一己之力推动和完成的。

第二行: summarytools 是我们今天用来总结概览数据的软件包名称。

第三行: 使用 read_csv 做数据读入。我们是从这个网址读取的,并且把数据存储到 flights 变量中。

你可以点击该链接t.cn/Rg1XCCN),下载原始数据 csv 文件,查看其内容。

这个数据集,来自于 Hadley Wickham 的 github 项目,名称叫做 nycflights13

它记录的是 2013 年,纽约市3大机场(分别为: JFK 肯尼迪国际机场、 LGA 拉瓜迪亚机场,和 EWR 纽瓦克自由国际机场)起飞的航班信息。

具体的记录信息(特征列),包括起飞时间、到达时间、延误时常、航空公司、始发机场、目的机场、飞行时长,和飞行距离等。

这个表格,看起来已经是很清晰的了。但是,由于观测(行)数量众多,我们很难直观分析出缺失值的情况,以及数据的分布等信息。

第4条语句,就是负责帮助我们更好地检视和探索数据用的。它用 dfSummary 函数处理 flights 数据框的内容,然后用 view 函数直观输出给用户。

点击 Code -> Run Region -> Run All 命令,运行代码。

运行中,可能会有一些警告信息。别理它就好。

分析的结果,在右下方的显示区域。因为区域比较小,内容却很多,看不全面。

你可以点击这个区域左上方第三个按钮 Show in new window ,在浏览器新窗口打开完整的显示结果。

解读

因截图篇幅关系,一张图中,无法显示完整信息。就着第一屏,给你讲解一下都有哪些分析结果。

  • 第一列是序号。不用理会。
  • 第二列是变量名称,以及变量的类型。例如 integer 指的是整数类型的定量数据;character 是字符串类型,也就是分类数据。
  • 第三列是统计结果。对于定量数据,直接汇报最大、最小、均值、中位数等信息。
  • 第六列是有效值个数;与其互补,第七列是缺失值个数。
  • 第四列是频数。显示每一个变量对应独特取值出现的情况。
  • 第五列最有意思,直接绘制分布统计图形。

我们翻到下一页看看。

可以看出,起飞延误是个典型的幂律分布。

到达延误,和的起飞延误分布长得很像,想想似乎很有道理。

但到达延误的分布类别是什么呢?为什么二者会有差异呢?

这个问题,供你思考。

探索

本文介绍的 summarytools 包的功能,并不只是对数据集做总体总结概览。

它还可以进行变量之间的关系展示。例如你想知道3大机场起飞的航班,对应航空公司的比例是否有差别。可以用一条语句,就得到这样的一张分析表格:

想自己动手,做出这样一张分析表格?请你点击这个链接(github.com/dcomtois/su…),阅读文档,了解 summarytools 的更多功能。

喜欢请点赞。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)

如果你对数据科学感兴趣,不妨阅读我的系列教程索引贴《如何高效入门数据科学?》,里面还有更多的有趣问题及解法。