R语言探索数据总结

专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多 爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。

这是我的第2篇付费阅读文章，关于R语言探索数据总结。

阅读完本文，你可以获得：

1 数据结构分析

2 数据的检视

3 数据摘要描述

4 数据画像报告

我们做数据探索之前，需要先导入数据。关于R语言导入数据的知识，请阅读文章《R语言读入数据总结》，它介绍了利用R语言读取R语言数据格式文件，分割数据文件（csv,txt），Excel数据文件，SAS和SPSS软件数据格式文件，MySQL数据库的表文件以及Spark平台的数据。一旦数据读取成功后，接下来需要对数据做探索性工作，其目的是对数据有一个全面的理解和洞察，为后续的分析和建模工作提供指导。

1 数据结构分析

首先，我们了解数据的结构，包括数据有多少行？有多少列？（称之为样本数和变量数），变量的数据类型是什么？这些问题可以通过数据结构分析来解决，可以使用dplyr包里的glimpse函数做数据结构分析。

# 数据导入
library(readr)
df <- read_csv('raw_data/FinalData.csv', col_names = TRUE)
# 1 数据结构分析
library(dplyr)
glimpse(df)

数据集df有185个观察（样本数），17个变量。变量的类型包括数值型（双精度）和字符型。

2 数据的检视

数据集的各个变量取什么值，可以做数据的检视，使用dplyr包的sample_n函数或者sample_frac函数随机获取数据集的样本进行观察，前者是指定随机获取样本的个数，后者是指定随机获取总样本数的比例。

# 2 数据的检视
sample_n(df, 10) %>% View
sample_frac(df, 0.1) %>% View