1、EDA：Exploratory Data Analysis

使用tidyverse+ggplot2

2、探索性数据分析先从问题开始，从一大串问题开始，不断找答案：变量的variation 、变量的 covariation

区分概念：变量、值 、观测、列表数据

3、variation：变量如何改变（变化趋势），比如，同一个对象，测量两次会有不一样的结果

3.1先探索变零值的分布趋势

如果是分类变量，用geom_bar()或count（）

ggplot(data = diamonds) + geom_bar(mapping = aes(x = cut))

diamonds %>% count(cut)

如果是连续变量，用geom_histogram()或count(),要设置计算的间隔：

ggplot(data =diamonds)+ geom_histogram(mapping =aes(x =carat),binwidth =0.5)

diamonds %>% count(cut_width(carat, 0.5))

如果查看多个连续变量的分布：

ggplot(data = diamonds, mapping = aes(x = carat, colour = cut)) + geom_freqpoly(binwidth = 0.1)

3.2同一变量，什么情况下分布多，什么情况下分布少（clusters)，思考什么原因导致的

比如，为什么carat（钻石重量）大于3的值很少呢？

3.3异常值， coord_cartesian将纵坐标压缩，可以清晰个别离群值

ggplot(diamonds) + geom_histogram(mapping = aes(x = y), binwidth = 0.5) + coord_cartesian(ylim = c(0, 50))

发现，异常值0，~30，~60

查看异常值

unusual <- diamonds %>% filter(y < 3 | y > 20) %>% select(price, x, y, z) %>% arrange(y)