往期文章中，我们已经学会了使用图形探索数据，例如可以用条形图了解类别变量的分布，用堆砌条形图或分组条形图比较不同类别的组间差异。同时，我们也学会了使用直方图、密度图、箱线图以及点图了解连续型变量的分布，比较组间差异。

而图形探索数据之后，通常的做法是进行描述性统计分析。

本期的R语言实现过程较为简单，但重要的是理解各个统计量的意义，统计量数值的大小能说明什么问题？

大家看的愉快。

1

数据集

本期使用Motor Trend杂志的车辆路试（mtcars）数据集。我们关注的变量是每加仑汽油行驶的英里数（mpg）、马力（hp）、车重（wt）。

#创建一个自己想调取的变量集
myvars <- c('mpg','hp','wt')
#查看所需数据集
head(mtcars[myvars])

|
| mpg | hp | wt |
| --- | --- | --- | --- |
| Mazda RX4 | 21.0 | 110 | 2.620 |
| Mazda RX4 Wag | 21.0 | 110 | 2.875 |
| Datsun 710 | 22.8 | 93 | 2.320 |
| Hornet 4 Drive | 21.4 | 110 | 3.215 |
| Hornet Sportabout | 18.7 | 175 | 3.440 |
| Valiant | 18.1 | 105 | 3.460 |

2

入门

我们首先从基础安装包入手，利用summary( )函数获取统计量。

#创建一个自己想调取的变量集
myvars <- c('mpg','hp','wt')
#查看所需数据集
summary(mtcars[myvars])

summary( )函数提供了最小值、最大值、四分位数和数值型变量的均值，以及因子和逻辑型变量的频数统计。我们也可以使用apply( )函数或sapply( )函数计算选择的任意统计量。

他们的使用格式为：sapply( x, FUN, options)

其中 x 是你的数据框，FUN是任意函数。如果指定了options，他们将被传递给FUN。例如你可以在这里插入mean( ),sd( ),var( ),min( ),max( ),median( ),length( ),range( ),quantile( )。函数fivenum( )可以返回图基五总数（最小值、下四分位数，中位数、上四分位数、最大值）。

#创建一个计算函数FUN
#将行删除设为FALSE
mystats <- function(x,na.omit=F){
  #如果存在缺失值
  if(na.omit)
    #找一个不缺失数据填补那个缺失值
    x <- x(!is.na(x))
  #计算均值
  m <- mean(x)
  #计算变量长度
  n <- length(x)
  #计算标准差
  s <- sd(x)
  #计算偏度
  skew <- sum((x-m)^3/s^3)/n
  #计算峰度
  kurt <- sum((x-m)^4/s^4)/n - 3
  #返回计算数据
  return(c(n=n,mean=m,stdev=s,skew=skew,kurtosis=kurt))
}
#计算所选统计量
sapply(mtcars[myvars],mystats)

对于mpg来说，其偏度（skew）为+0.6，分布呈现右偏；峰度（kurtosis）为-0.37，比正态分布稍平。

3

进阶

pastecs包中的stat.desc( )函数能返回种类繁多的描述性统计量。

使用格式为：

stat.desc(x,basic=T,desc=T,norm=F,p=0.95)

其中 x 代表数据框，basic默认值为TRUE，计算所有值、空值、缺失值的数量、最大值、最小值、值域、总和。desc默认值为TRUE，计算中位数、均值、均值的标准误差、均值置信度为95%的置信区间、方差、标准差、变异系数。若norm=TRUE，返回偏度和峰度（以及他们的统计显著程度）、Shapiro-Wilk正态检验结果。

install.packages('pastecs')
library('pastecs')
stat.desc(mtcars[myvars],norm = T)

4

精通

对于有类别型变量的数据来说，我们往往需要分组计算统计量。

by( data ,* INDICES *, FUN)

其中data代表数据框，INDICES是一个因子，FUN是任意函数

#调用mystats中的所有函数
dstats <- function(x)sapply(x,mystats)
#传递dstats并进行分组
by(mtcars[myvars],mtcars$am,dstats)

今天的文章就到这里，最关键的还是数学方面的理解。

祝福冰姐又老了一岁，谢谢各位。

下期再见。

你可能还想看

• R小姐：mice 多重插补

• R小姐：缺失值 and 异常值的分析、处理

• R小姐：数据探索之数据质量分析

• 古同：我的大学生活之摄影篇

等你很久啦，长按加入古同社区

image