学习数据分析有很多种方式，但是统计学是必须要掌握的一门学科。统计学研究各领域数据，是一套获取、分析、得出结论的一套科学方法，在任何一个科学领域和工业/商业领域，通都可以过统计学方法进行数据研究。

进入统计学前，必须要知道的名词

变量

描述观察对象的统一称谓。身高、企业的销售额、色子的点数等都可以称为变量。

数据

变量的观测结果就是数据。身高的观测结果有167、180，销售额的观测结果有20000、309000，一个色子的点数的观测结果有：2、4、5、6。

因为观测结果也就是说数据的不同，变量还可以分为：类别变量和数值变量。

类别变量

顾名思义，有的变量的数据描述了变量的属性特征，比如性别变量的观测结果是男性、女性；还有的变量的数据描述了变量的性质特征，比如销售业绩的观测结果是高、中、低。所以这种取值为属性、类别、或者区间值的变量统称为类别变量，有的地方也叫分类变量或定性变量。我们统一将类别变量的取值称为类别数据或分类数据。

由于类别变量的特殊性，还可以继续细分为：无序类别变量和有序类别变量。销售业绩的高、中、低就是一个有序类别变量。可见，取值可排序就是有序类别变量了，反之就是无序类别变量。

数值变量

数值变量的取值用数字表示，它的取值可以称为数值数据或定量数据。根据取值的特性，数值变量可以分为离散变量和连续变量。

离散变量的取值是有限的，每一个值都可以一一列举出来。例如企业销售额、产品生产数量。

连续变量是在一个或多个区间中任意取值的变量，取值过程连续不断导致无穷尽，所以不能一一列举。比如年龄、温度。

所以你会发现，如果离散变量的取值非常多时，其实也可以为连续变量。

观测数据

所有用于分析的社会上的可以获取到的数据都是观测数据。

实验数据

在实验的目的下，针对实验对象进行收集的数据是实验数据。

截面数据

在相同或相近的时间点上收集的数据，比如2020年中国粮食产量。

时间序列数据

观察某对象在时间下的变化的数据，比如1990年到2020年的中国粮食产量。

总体和样本

总体也可以称为母群体，是一个不太能量化的全体的总称，比如人类的身高，这是一个总体。要研究人类的身高必然需要抽取部分人的数据，这个部分人的数据就是样本，样本可以是任何元素，构成样本的成为样本量。

统计学有很多方法可以带我们对总体进行抽样，在日后会慢慢了解。

R语言是什么？

我把R成为牛逼的计算器，对于没有编程基础的你不要害怕。

不同于Python、SQL的计算，R是目前世界上公认的最专业的统计编程语言，它的逻辑编排、包的设计、参数等更适合统计学、数学学科对海量数据的分析和处理。所以，在不考虑工程化而只作为数据分析的层面上说R语言是做合适不过了。

如何安装

第一步：下载R语言Terminal，下载地址https://www.r-project.org/，按提示安装后即可使用，但编程的交互体验较差，如果你不喜欢，可以进入到第二步；

第二步：下载R Studio，这是一个交互编程工具，我认为对新手来讲更友好一些，下载地址https://rstudio.com/products/rstudio/download/，同样按提示安装后即可使用。

（网上太多细节，所以度娘即可获取方法）

R语言基本语法（入门）

赋值符号是<-

如果你想对某个对象进行赋值，请使用<-连接

# 将Tom赋值给name对象
name <- Tom
​
# 打印输出name对象结果，print是一种函数命令，后面用（）写入函数作用的对象
print(name)

获取帮助说明

R语言内部都有各类函数和包的解释说明，对于英文好的人来说非常方便。你想问什么东西，就在这个东西前面写个英文问号

# 打开print的帮助页面，直接回车后，print的帮助说明自动弹出
?print

包

R语言内部都有非常多的函数和数据的集合，这就是包。默认安装R程序后，本机已经带有了一些包，但有时候是不够用的。可以根据自己的统计需求，来选择下载和安装。

# 利用install.packages函数进行安装,可以一次装一个包，也可以一次装多个包
install.packages("car")
install.packages(c("car","vcd"))
​
# 在某些统计编程开始时要用到某类包的函数或者数据，需要先把包进行加载而后使用
# 函数内无需用双引号，
library(car)

加载数据

读取R格式文件

load("此处填写文件路径.RData")

读取CSV格式文件

#路径名，文档是否包含标题
read.csv("此处填写文件路径.csv",header=FALSE)

读取Excel格式文件

#先安装包xlsx,再加载包
install.packages("xlsx")
library(xlsx)
# 路径名，sheet表名，是否作为数据框否则转化成列表
read.xlsx("此处填写文件路径.xlsx",sheetName ="人数",as.data.frame = TRUE)

链接MySQL数据库读取数据

# 安装包文件
install.packages("RMySQL","DBI")
library(RMySQL)
​library(DBI)

# 尝试连接数据库
con<-dbConnect(MySQL(),dbname="yourdatabasename",user="root",password="yourpassword",host="localhost")

# 查看table
dbListTables(con)

# 查看table字段
dbListFields(con,"member")

# 解决乱码关键，设置数据库读取编码格式为utf-8
dbSendQuery(con,'SET NAMES utf8')

# 读取表格
dbReadTable(con,"dept")
dbReadTable(con,"records_display")

# 用函数dbGetQuery进行数据查询：选择链接对象，输入查询语句
dbGetQuery(con,"select * from cd_txn_info")
​
#断开当前连接
dbDisconnect(con)

特殊值

R支持四种特殊值：Inf（正无穷）、-Inf（负无穷）、NaN和NA。

NaN是“不是一个数”（not-a-number）的缩写，它说明：“当前的计算没有数学意义或无法正确执行”。

NA是“不可用”（not available）的缩写，它是缺失值的意思。在我们日常分析中进场可以看到NA，同时在计算过程中涉及一个缺失值的计算，所得结果也是NA。

逻辑值

TRUE、FALSE、NA是R语言的三个逻辑值。其中TRUE、FALSE、NA不可以作为对象或变量出现。由于原始数据中经常出现空值的情况，所有NA在此会出现，不要太诧异。

#正确的做法
true <- 1
#错误的做法
TRUE <- 1

在R中有三个向量化逻辑运算符：

• !代表非操作
• &代表与操作
• |代表或操作

类

R语言的所有变量都有类的概念（你可以理解为类型）。类分为：numeric数值类、logical逻辑类、integer整数类、complex复数类、character字符类、factor因子类。

利用class函数可以找到类型,利用c函数可以创建向量，向量后文会有补充。

class(c(TRUE,TRUE))
class(1)
​
#i代表虚部，z=a+bi（a,b均为实数）的数称为复数
class(3+2i)
​
#L后缀可以把数字变成整数类型，注意数字不可以为小数
class(300L)
​
#这是错误的
class(300.09L)
​
class(c("eggs","balls"))
​
# 创建因子赋值给gender变量
gender<-factor(c("unknow","male","female","male","unknow"))
​
# 查看gender因子的标签，也就非重复的标签是什么，称之为查看因子的水平。
# 注意因子水平的输出结果，默认按照字母顺序排列，第一个并不是unknow，是female
levels(gender)
​
# 查看gender因子的水平的个数，也就是有几个标签
nlevels(gender)
​
# 因子在底层存储的时，通过整数进行对应，可通过as.integer函数查看因子对应的整数
as.integer(gender)

向量

利用c函数可以创建向量，创建后得到的序列为一个矢量

# 使用c函数可以创建向量，其中：的意思是从几到几，默认步长为1
c(1:5)
# 下面是创建向量后输出的结果
[1] 1 2 3 4 5

有的函数可以指定步长来创建序列，比如seq.int是一个可以指定步长的函数

seq.int(1, 6, 2)

不论向量和序列，都有长度的概念，长度是一个非零正整数

# 向量1到5的长度是5
c(1:5)
​
# 包含了字符串向量的变量circular的长度是2
circular <- c("eggs","balls")
length(circular)

矩阵与数组

数组中可以存放多维数据，这个多维数据中：行长度一致、列长度一致（矩阵是二维数组）。

利用array函数创建数组。传入两个向量（值、维度）

数据类型

R语言的数据类型非常多，值得注意的是R语言与其他编程语言（如java）相反，变量不会声明数据类型。变量分配有R对象，R对象的数据类型变为变量的数据类型。

最常用的数据类型有：

• 矢量
• 列表
• 矩阵
• 数组
• 因子
• 数据帧