1、分組分析aggregation

根據(jù)分組字段，將分析對象劃分為不同的部分，以進(jìn)行對比分析各組之間差異性的一種分析方法。

常用統(tǒng)計(jì)指標(biāo)：

計(jì)數(shù) length

求和 sum

平均值 mean

標(biāo)準(zhǔn)差 var

方差 sd

分組統(tǒng)計(jì)函數(shù)

aggregate(分組表達(dá)式，data=需要分組的數(shù)據(jù)框，function=統(tǒng)計(jì)函數(shù)）

參數(shù)說明

formula：分組表達(dá)式，格式：統(tǒng)計(jì)列~分組列1+分組列2+...

data=需要分組的數(shù)據(jù)框

function：統(tǒng)計(jì)函數(shù)

aggregate(name ~ class, data=data, FUN=length);
#求和
aggregate(score ~ class, data=data, FUN=sum);
#均值
aggregate(score ~ class, data=data, FUN=mean);
#方差
aggregate(score ~ class, data=data, FUN=var);
#標(biāo)準(zhǔn)差
aggregate(score ~ class, data=data, FUN=sd)

2、分布分析cut

根據(jù)分析目的，將數(shù)據(jù)(定量數(shù)據(jù)）進(jìn)行等距或者不等距的分組，進(jìn)行研究各組分布規(guī)律的一種分析方法。

分組函數(shù)

cut(data,breaks,labels,right)

參數(shù)說明

data=需要分組的一列數(shù)據(jù)

breaks=分組條件，如果是一個數(shù)字，那么將平均分組；如果是一個數(shù)組，那么將按照指定范圍分組

labels：分組標(biāo)簽

right：指定范圍是否右閉合，默認(rèn)為右閉合，right參數(shù)為TRUE

用戶明細(xì) <- read.csv('data.csv', stringsAsFactors=FALSE)
head(用戶明細(xì))
 
breaks <- c(min(用戶明細(xì)$年齡)-1, 20, 30, 40, max(用戶明細(xì)$年齡)+1)
 
年齡分組 <- cut(用戶明細(xì)$年齡, breaks = breaks)
用戶明細(xì)[, '年齡分組1'] <- 年齡分組
 
年齡分組 <- cut(用戶明細(xì)$年齡, breaks = breaks, right = FALSE)
用戶明細(xì)[, '年齡分組2'] <- 年齡分組
 
labels <- c('20歲以及以下', '21歲到30歲', '31歲到40歲', '41歲以上');
年齡分組 <- cut(用戶明細(xì)$年齡, breaks = breaks, labels = labels)
用戶明細(xì)[, '年齡分組'] <- 年齡分組
 
head(用戶明細(xì))
 
aggregate(formula=用戶ID ~ 年齡分組, data=用戶明細(xì), FUN=length)

3、交叉分析tapply（相當(dāng)于excel里的數(shù)據(jù)透視表）

通常用于分析兩個或兩個以上，分組變量之間的關(guān)系，以交叉表形式進(jìn)行變量間關(guān)系的對比分析；

交叉分析的原理就是從數(shù)據(jù)的不同維度，綜合進(jìn)行分組細(xì)分，以進(jìn)一步了解數(shù)據(jù)的構(gòu)成、分布特征。

交叉分析函數(shù)：

tapply(統(tǒng)計(jì)向量，list(數(shù)據(jù)透視表中的行，數(shù)據(jù)透視變中的列),FUN=統(tǒng)計(jì)函數(shù))

返回值說明：

一個table類型的統(tǒng)計(jì)量

breaks <- c(min(用戶明細(xì)$年齡)-1, 20, 30, 40, max(用戶明細(xì)$年齡)+1)

labels <- c('20歲以及以下', '21歲到30歲', '31歲到40歲', '41歲以上');
年齡分組 <- cut(用戶明細(xì)$年齡, breaks = breaks, labels = labels)
用戶明細(xì)[, '年齡分組'] <- 年齡分組
 
head(用戶明細(xì))
 
tapply(用戶明細(xì)$用戶ID, list(用戶明細(xì)$年齡分組, 用戶明細(xì)$性別), FUN=length)

4、結(jié)構(gòu)分析prop.table

是在分組的基礎(chǔ)上，計(jì)算各組成部分所占的比重，進(jìn)而分析總體內(nèi)部特征的一種分析方法。

for example：資產(chǎn)占有率就是一個非常經(jīng)典的運(yùn)用

統(tǒng)計(jì)占比函數(shù)

prop.table(table,margin=NULL)

參數(shù)說明：

table,使用tapply函數(shù)統(tǒng)計(jì)得到的分組計(jì)數(shù)或求和結(jié)果

margin,占比統(tǒng)計(jì)方式，具體參數(shù)如下：

屬性 注釋

1 按行統(tǒng)計(jì)占比

2 按列統(tǒng)計(jì)占比

NULL 按整體統(tǒng)計(jì)占比

data <- read.csv('data.csv', stringsAsFactors=FALSE);

head(data)
 
t <- tapply(data$月消費(fèi).元., list(data$通信品牌), sum)
t
prop.table(t);
 
t <- tapply(data$月消費(fèi).元., list(data$通信品牌), mean)
t
prop.table(t);
 
t <- tapply(data$月消費(fèi).元., list(data$省份, data$通信品牌), sum)
t
prop.table(t, margin = 2)

5、相關(guān)分析prop.table

是研究現(xiàn)象之間是否存在某種依存關(guān)系，并對具體有依存關(guān)系的現(xiàn)象探討其相關(guān)方向以及相關(guān)程度，是研究隨機(jī)變量之間的相關(guān)關(guān)系的一種統(tǒng)計(jì)方法。

相關(guān)系數(shù)r 可以用來描述定量變量之間的關(guān)系

相關(guān)分析函數(shù)：

cor(向量1,向量2,...)返回值：table類型的統(tǒng)計(jì)量

data <- read.csv('data.csv', fileEncoding = "UTF-8");
 
cor(data[, 2:7])

補(bǔ)充：R中基本統(tǒng)計(jì)分析方法整理

面對一大堆的數(shù)據(jù)，往往會讓人眼花繚亂。但是只要使用一些簡單圖形和運(yùn)算，就可以了解數(shù)據(jù)更多的特征。R提供了很多關(guān)于數(shù)據(jù)描述的函數(shù)，通過這些函數(shù)可以對數(shù)據(jù)進(jìn)行一個簡單地初步分析。

獲取描述性統(tǒng)計(jì)量的R函數(shù)

（1）常用統(tǒng)計(jì)函數(shù)(參數(shù)x為向量)

mean（x）：平均值

median（x）：中位數(shù)

sd（x）：標(biāo)準(zhǔn)差

var（x）：方差

sum（x）：求和

min（x）：最小值

max（x）：最大值

range（x）:值域

......等等

（2）summary（）函數(shù)

提供最小值、下四分位數(shù)、中位數(shù)、平均值、上四分位數(shù)、最大值。

（3）apply（）或sapply函數(shù)

計(jì)算參數(shù)指定的任意描述性統(tǒng)計(jì)量。

其中sapply（）用法：sapply(x，F(xiàn)UNC，options) ，x是待處理的數(shù)據(jù)框，F(xiàn)UNC是用戶指定的函數(shù)，如sum()、max()、mean()等等，指定了的options會傳遞給FUNC。

（4） Hmisc包中的describe（）函數(shù)

返回變量和觀測值的數(shù)目、缺失值和唯一值的數(shù)目、平均值、分位數(shù)、五個最大的值和五個最小的值。

（5）pastecs包中的stat.desc（）函數(shù)

可以計(jì)算種類繁多的描述性統(tǒng)計(jì)量

（6）psych包也提供了一個describe（）函數(shù)

它可以計(jì)算非缺失值的數(shù)量、平均數(shù)、標(biāo)準(zhǔn)差、中位數(shù)、截尾均值、絕對中位差、最小值、最大值、值域、偏度、峰度等。

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。

最新評論