探索性数据分析（EDA）是数据项目的第一步。我们将创建一个代码模板来实现这一功能。 简介 EDA由单变量（1个变量）和双变量（2个变量）分析组成。
简介
EDA由单变量（1个变量）和双变量（2个变量）分析组成。在这篇文章中，我们将回顾一些我们在案例分析中使用的功能：
● 第1步：取得并了解数据；
● 第2步：分析分类变量；
● 第3步：分析数值变量；
● 第4步：同时分析数值和分类变量。
基本EDA中的一些关键点：
● 数据类型
● 异常值
● 缺失值
● 数值和分类变量的分布（数字和图形的形式）
分析结果的类型
结果有两种类型：信息型或操作型。
● 信息型：例如绘图或任何长变量概要，我们无法从中过滤数据，但它会立即为我们提供大量信息。大多数用于EDA阶段。
● 操作型：这类结果可直接用于数据工作流（例如，选择缺失比例低于20％的变量）。最常用于数据准备阶段。
准备开始
如果您没有这些扩展包，请删除‘#’来导入：
tl; dr（代码）
使用以下函数一键运行本文中的所有函数：
替换data为你的数据，然后就可以啦！
创建示例数据：
使用heart_disease数据（来自funModeling包）。为了使本文容易理解，我们只选取四个变量。
第一步：了解数据
统计第一个例子中观测（行）和变量的数量，并使用head显示数据的前几行。
获取有关数据类型，零值，无穷数和缺失值的统计信息：
df_status会返回一个表格，因此很容易筛选出符合某些条件的变量，例如：
● 有至少80％的非空值（p_na < 20）
● 有少于50个唯一值（unique <= 50）
建议：
● 所有变量都是正确的数据类型吗？
● 有含有很多零或空值的变量吗？
● 有高基数变量吗？
第二步：分析分类变量
freq 函数自动统计数据集中所有因子或字符变量：
建议：
● 如果freq用于一个变量 -freq(data$variable)，它会生成一个表格。这对于处理高基数变量（如邮政编码）非常有用。
● 将图表以jpeg格式保存到当前目录中：freq(data, path_out = ".")
● 分类变量的所有类别都有意义吗？
● 有很多缺失值吗？
● 经常检查绝对值和相对值。
第三步：分析数值变量
我们将看到：plot_num和profiling_num两个函数，它们都自动统计数据集中所有数值/整数变量：
1. 绘制图表
将图表导出为jpeg格式：
建议：
● 试着找出极度偏态分布的变量。
● 作图检查任何有异常值的变量。
2. 定量分析
profiling_num 自动统计所有数值型/整型变量：
建议：
● 尝试根据其分布描述每个变量（对报告分析结果也很有用）。
● 注意标准差很大的变量。
● 选择您最熟悉的统计指标：data_prof %>% select(variable, variation_coef, range_98):variation_coef得到较大值可能提示异常值。range_98显示绝大部分数值的范围。
第四步：同时分析数值和分类变量
使用Hmisc包的describe。
这对于快速了解所有变量非常有用。但是当我们想要使用统计结果来改变我们的数据工作流时，这个函数不如freq和profiling_num好用。
建议：
● 检查最小值和最大值（异常值）
● 检查分布（与之前相同）
每天进步一点点：数据分析1480
长按扫码关注我
