本文共 5209 字，大约阅读时间需要 17 分钟。
作者：Pablo Casas
翻译：蒋雨畅
校对：车前子
本文约1500字，建议阅读7分钟。
本文将通过介绍一个代码模板的四个基本步骤，来帮助您完成数据分析的初期探索。
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。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：
# install.packages("tidyverse")
# install.packages("funModeling")
# install.packages("Hmisc")
funModeling已发布更新版本的Ago-1，请更新！
现在加载所需的程序包
library(funModeling)
library(tidyverse)
library(Hmisc)
tl; dr（代码）
使用以下函数一键运行本文中的所有函数：
basic_eda <- function(data)
{
glimpse(data)
df_status(data)
freq(data)
profiling_num(data)
plot_num(data)
describe(data)
}
替换data为您的数据，然后就可以啦！
basic_eda(my_amazing_data)
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。
data=heart_disease %>% select(age, max_heart_rate, thal, has_heart_disease)
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。
glimpse(data)
## Observations: 303
## Variables: 4
## $ age <int> 63, 67, 67, 37, 41, 56, 62, 57, 63, 53, 57, ...
## $ max_heart_rate <int> 150, 108, 129, 187, 172, 178, 160, 163, 147,...
## $ thal <fct> 6, 3, 7, 3, 3, 3, 3, 3, 7, 7, 6, 3, 6, 7, 7,...
## $ has_heart_disease <fct> no, yes, yes, no, no, no, yes, no, yes, yes,...
获取有关数据类型，零值，无穷数和缺失值的统计信息：
df_status(data)
## variable q_zeros p_zeros q_na p_na q_inf p_inf type unique
## 1 age 0 0 0 0.00 0 0 integer 41
## 2 max_heart_rate 0 0 0 0.00 0 0 integer 91
## 3 thal 0 0 2 0.66 0 0 factor 3
## 4 has_heart_disease 0 0 0 0.00 0 0 factor 2
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？
更多相关信息请浏览：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
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：
freq(data)
## thal frequency percentage cumulative_perc
## 1 3 166 54.79 55
## 2 7 117 38.61 93
## 3 6 18 5.94 99
## 4 <NA> 2 0.66 100
## has_heart_disease frequency percentage cumulative_perc
## 1 no 164 54 54
## 2 yes 139 46 100
## [1] "Variables processed: thal, has_heart_disease"
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。
更多相关信息请浏览：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
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
plot_num(data)
将图表导出为jpeg格式：
plot_num(data, path_out = ".")
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。
更多相关信息请浏览：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
2. 定量分析
profiling_num 自动统计所有数值型/整型变量：
data_prof = profiling_num（data）
## variable mean std_dev variation_coef p_01 p_05 p_25 p_50 p_75 p_95
## 1 age 54 9 0.17 35 40 48 56 61 68
## 2 max_heart_rate 150 23 0.15 95 108 134 153 166 182
## p_99 skewness kurtosis iqr range_98 range_80
## 1 71 -0.21 2.5 13 [35, 71] [42, 66]
## 2 192 -0.53 2.9 32 [95.02, 191.96] [116, 176.6]
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。
更多相关信息请浏览：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
第四步：同时分析数值和分类变量
使用Hmisc包的describe。
library(Hmisc)
describe(data)
## data
##
## 4 Variables 303 Observations
## ---------------------------------------------------------------------------
## age
## n missing distinct Info Mean Gmd .05 .10
## 303 0 41 0.999 54.44 10.3 40 42
## .25 .50 .75 .90 .95
## 48 56 61 66 68
##
## lowest : 29 34 35 37 38, highest: 70 71 74 76 77
## ---------------------------------------------------------------------------
## max_heart_rate
## n missing distinct Info Mean Gmd .05 .10
## 303 0 91 1 149.6 25.73 108.1 116.0
## .25 .50 .75 .90 .95
## 133.5 153.0 166.0 176.6 181.9
##
## lowest : 71 88 90 95 96, highest: 190 192 194 195 202
## ---------------------------------------------------------------------------
## thal
## n missing distinct
## 301 2 3
##
## Value 3 6 7
## Frequency 166 18 117
## Proportion 0.55 0.06 0.39
## ---------------------------------------------------------------------------
## has_heart_disease
## n missing distinct
## 303 0 2
##
## Value no yes
## Frequency 164 139
## Proportion 0.54 0.46
## ---------------------------------------------------------------------------
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）。
更多相关信息请浏览：
https://livebook.datascienceheroes.com/exploratory-data-analysis.html
原文标题：
Exploratory Data Analysis in R (Introduction)
原文链接：
https://dzone.com/articles/exploratory-data-analysis-in-r-introduction
译者简介
蒋雨畅，香港理工大学大三在读，主修地理信息，辅修计算机科学，目前在研究学习通过数据科学等方法探索城市与人类活动的关系。希望能认识更多对数据科学感兴趣的朋友，了解更多前沿知识，开拓自己的眼界。
翻译组招募信息
工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。
你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。
其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。
点击文末“阅读原文”加入数据派团队~
转载须知
如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。
发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。
点击“阅读原文”拥抱组织