MEM专业R语言第一次作业
作业提交截至时间：9月28日（周一）中午12：00前（邮件显示时间为准）
注意事项：
[if !supportLists]（1） [endif]邮件请标注：姓名+学号+第一次作业
[if !supportLists]（2） [endif]作业分为数据分析报告+R代码两个部分。分为两个文件上传提交，不需要打包提交。
[if !supportLists]（3） [endif]杜绝抄袭
[if !supportLists]（4） [endif]提交邮箱：chengken579315@gmail.com
本次作业加载以下安装包：
library(openxlsx)
library(plyr)
library(tidyverse)
请下载hw1_a和hw1_b两个excel数据文件，完成以下任务:
[if !supportLists]1. [endif]请将数据hw1_a和hw1_b分别读入R，查看数据并指出各个变量的形式，最小值，最大值，中值，均值，标准差。
hw1_a
mydata_a<-read.xlsx("E:/个人文件夹/2020MEM/学习/R/homework/hw1_a(1).xlsx",sheet=1)
mydata_a
str(mydata_a)
each(max,min,median,mean,sd)(mydata_a$ID)
each(max,min,median,mean,sd)(mydata_a$Age)
each(max,min,median,mean,sd)(mydata_a$Years_at_Employer)
each(max,min,median,mean,sd)(mydata_a$Years_at_Address)
each(max,min,median,mean,sd)(mydata_a$Income)
hw1_b
mydata_b<-read.xlsx("E:/个人文件夹/2020MEM/学习/R/homework/hw1_b(1).xlsx",sheet=1)
mydata_b
str(mydata_b)
each(max,min,median,mean,sd)(mydata_b$ID)
each(max,min,median,mean,sd)(mydata_b$Credit_Card_Debt)
each(max,min,median,mean,sd)(mydata_b$Automobile_Debt)
each(max,min,median,mean,sd)(mydata_b$Is_Default)
[if !supportLists]2. [endif]结合上课我们所学的几种数据join 的形式，将两个数据集进行合并。对于每种数据合并的方式，请说明key, 并且报告合并后的数据样本总行数。
#内连接
mydata_1<-mydata_a%>%
inner_join(mydata_b,by="ID")
key为ID
View(mydata_1)
Mydata_1
178行
#外连接
mydata_2<-mydata_a%>%
left_join(mydata_b,by="ID")
#view(mydata_2)
mydata_2
key为ID
189行
mydata_3<-mydata_a%>%
right_join(mydata_b,by="ID")
#view(mydata_3)
mydata_3
key为ID
189行
mydata_4<-mydata_a%>%
full_join(mydata_b,by="ID")
#view(mydata_4)
mydata_4
key为ID
200行
[if !supportLists]3. [endif]请筛选出hw1_a 中收入大于40000的样本，并将此样本和hw1_b 中Is_Default=1的样本合并，你可以使用inner join的方式。这一问中你可以用pipe的书写形式。
mydata_31<-filter(mydata_a,Income>40000)
mydata_31
mydata_32<-filter(mydata_b,Is_Default==1)
mydata_32
mydata_33<-mydata_31%>%
inner_join(mydata_32,by="ID")
mydata_33
View(mydata_33)
[if !supportLists]4. [endif]在第2问的基础上, 请给出Income对Years_at_Employer的散点图，你发现了哪些趋势和现象?
以内连接的数据mydata_1为数据
ggplot(data=mydata_1)+
geom_point(mapping=aes(x=Years_at_Employer,y=Income))
规律，从图可以直观的看出income随着years_at_employer的增加而增加
[if !supportLists]5. [endif]在第4问的基础上 按照Is_Default 增加一个维度，请展示两变量在不同违约状态的散点图。请使用明暗程度作为区分方式
以内连接的数据mydata_1为数据
ggplot(data=mydata_1)+
geom_point(mapping=aes(x=Years_at_Employer,y=Income,alpha=Is_Default))
[if !supportLists]6. [endif]对于第5问，请使用形状作为另外一种区分方式。
ggplot(data=mydata_1)+
geom_point(mapping=aes(x=Years_at_Employer,y=Income,shape=factor(Is_Default)))
[if !supportLists]7. [endif]请找出各个列的缺失值，并删除相应的行。请报告每一变量的缺失值个数，以及所有缺失值总数。
#sum(is.na(mydata_4))
colSums(is.na(mydata_4))
#rowSums(is.na(mydata_4))
mydata_7<-na.omit(mydata_4)
mydata_7
sum(is.na(mydata_4$ID))
0
sum(is.na(mydata_4$Age))
11
sum(is.na(mydata_4$Years_at_Employer))
11
sum(is.na(mydata_4$Years_at_Address))
11
sum(is.na(mydata_4$Income))
11
sum(is.na(mydata_4$Credit_Card_Debt))
11
sum(is.na(mydata_4$Automobile_Debt))
11
sum(is.na(mydata_4$Is_Default))
11
sum(is.na(mydata_4))
77
[if !supportLists]8. [endif]找出Income中的极端值并滤掉对应行的数据
从第四题的散点图可以直观看出income的范围在0-200000范围为正常
mydata_8<-filter(mydata_1,mydata_1$Income>0&mydata_1$Income<200000)
mydata_8
[if !supportLists]9. [endif]将Income对数化，并画出直方图和density curve.
以第八题去除异常值的数据mydata_8为数据
mydata_9<-log(with(mydata_8,Income))
hist(mydata_9)
plot(density(mydata_9))
[if !supportLists]10. [endif]以Income作为因变量，Years at Employer作为自变量，进行OLS回归，写出回归的方程，并指出自变量系数是否在某一显著性水平上显著。同时，解释你的结果(这一问你自己发挥可以找code解决)。
以内连接数且Income去除异常值为数据（第八题数据）为数据
mydata_10<-lm(Income~Years_at_Employer,data= mydata_8)
coef(mydata_10)
summary(mydata_10)
Intercept、Years_at_Employer 两个数的Pr值均足够小（在0~0.001之间），说明在显著性说明
[做完了这些题，你就可以开始基本的经济学和管理学的实证研究工作了] 😉
代码：
install.packages("openxlsx")
library(openxlsx)
library(plyr)
library(tidyverse)
#1
mydata_a<-read.xlsx("E:/个人文件夹/2020MEM/学习/R/homework/hw1_a(1).xlsx",sheet=1)
mydata_a
str(mydata_a)
each(max,min,median,mean,sd)(mydata_a$ID)
each(max,min,median,mean,sd)(mydata_a$Age)
each(max,min,median,mean,sd)(mydata_a$Years_at_Employer)
each(max,min,median,mean,sd)(mydata_a$Years_at_Address)
each(max,min,median,mean,sd)(mydata_a$Income)
mydata_b<-read.xlsx("E:/个人文件夹/2020MEM/学习/R/homework/hw1_b(1).xlsx",sheet=1)
mydata_b
str(mydata_b)
each(max,min,median,mean,sd)(mydata_b$ID)
each(max,min,median,mean,sd)(mydata_b$Credit_Card_Debt)
each(max,min,median,mean,sd)(mydata_b$Automobile_Debt)
each(max,min,median,mean,sd)(mydata_b$Is_Default)
#2
#内连接
mydata_1<-mydata_a %>%
inner_join(mydata_b,by="ID")
View(mydata_1)
mydata_1
#外连接
mydata_2<-mydata_a%>%
left_join(mydata_b,by="ID")
#view(mydata_2)
mydata_2
mydata_3<-mydata_a%>%
right_join(mydata_b,by="ID")
#view(mydata_3)
mydata_3
mydata_4<-mydata_a%>%
full_join(mydata_b,by="ID")
#view(mydata_4)
mydata_4
#4
mydata_31<-filter(mydata_a,Income>40000)
mydata_31
mydata_32<-filter(mydata_b,Is_Default==1)
mydata_32
mydata_33<-mydata_31 %>%
inner_join(mydata_32,by="ID")
mydata_33
View(mydata_33)
#4 以内连接为列
ggplot(data=mydata_1)+
geom_point(mapping=aes(x=Years_at_Employer,y=Income))
#5以内连接为例
ggplot(data=mydata_1)+
geom_point(mapping= aes(x=Years_at_Employer,y=Income,alpha=Is_Default))
#6
ggplot(data=mydata_1)+
geom_point(mapping= aes(x=Years_at_Employer,y=Income,
shape=factor(Is_Default)))
#7 以full连接为列
sum(is.na(mydata_4))#总
colSums(is.na(mydata_4))#列
rowSums(is.na(mydata_4))#行
mydata_7<-na.omit(mydata_4)#去除na
mydata_7
sum(is.na(mydata_4$ID))
sum(is.na(mydata_4$Age))
sum(is.na(mydata_4$Years_at_Employer))
sum(is.na(mydata_4$Years_at_Address))
sum(is.na(mydata_4$Income))
sum(is.na(mydata_4$Credit_Card_Debt))
sum(is.na(mydata_4$Automobile_Debt))
sum(is.na(mydata_4$Is_Default))
sum(is.na(mydata_4))
#8 第四题图可知，income的范围在0-200000范围为正常
mydata_8<-filter(mydata_1,mydata_1$Income>0&mydata_1$Income<200000)
mydata_8
#9对数化 画直方图和den
mydata_9<-log(with(mydata_8,Income))
hist(mydata_9)
plot(density(mydata_9))
#10 以内连接数且Income去除异常值为数据（第八题数据）为例
mydata_10<-lm(Income~Years_at_Employer,data = mydata_8)
coef(mydata_10)
summary(mydata_10)
