基于R语言tidyverse包的数据分析实践

目录

1.tidyverse包基础

1.0 下载使用tidyverse

1.1 数据清洗

1.1.1 提取数据

1.1.2 数据整理与采样

1.1.3 缺省值处理

1.1.4 重复值处理

1.1.5 异常值处理

1.2 数据预处理

1.2.1 数据标准化

1.2.2 数据编码

1.tidyverse包基础

1.0 下载使用tidyverse

tidyverse包有很多依赖，大概率在安装的时候，会报错如：

这时不要惊慌，那是因为你没有安装libcurl4-openssl-dev，openssl这些软件，在系统里安装这些软件就好了，比如在ubuntu系统，执行以下命令

apt-get install libcurl4-openssl-dev openssl

1.1 数据清洗

1.1.1 提取数据

• 读取数据文件

#data为tibble数据类型 
data <- read_csv( filepath, col_types=cols() )

1.1.2 数据整理与采样

根据业务需求和目标，整理出有用的数据。

• 选取列子集

选取name ,age列

select(data,name,age,sex)

• 选取行子集

filter(data,age>=15,sex=='F) head(data,n=10) tail(data,n=10) slice(data,1:10)

• 随机抽样

sample_n(data,size = 10) #无放回 sample_n(data,size= 10,replace=TRUE) #有放回 sample_n(data,size=10,weight = 1/height) #让height越小的人越容易抽样抽取到，不等概率抽样

1.1.3 缺省值处理

• 去除任意列数据中含有na的行数据（去除所有包含NA的行）

drop_na(data)

• 去除某些列为na的行数据

drop_na(data,age,sex)

1.1.4 重复值处理

• 去重

distinct() # 去除完全相同的行，只保留一行 distinct(name,sex,weight) #去除在三列数据上完全一致的行，只保留一行

1.1.5 异常值处理

• 求极值

arrange(data,age,desc(height)) # age升序后，再对height降序

• 衍生变量去除异常值

# 计算BMI值 data%>% mute( height_cm = round(height*2.54), weight_kg = round(weight*0.4535924), bmi = weight_kg / (height_cm / 100)^2) )

1.2 数据预处理

1.2.1数据标准化

data%>% select(height,weight)%>% scale() #默认标准化为均值为0方差为1的分布 scale(center=apply(.,2,min),scale=apply(.,2,max)-apply(.,2,min))) #放缩至0-1

1.2.2 数据编码

data['sex'] = ifelse(data['sex']=='F',0,1) # F 编码为0，M编码为1