R語言炫技必備基本功

R語言主要用于統(tǒng)計(jì)分析和繪圖，可以理解為是一種數(shù)學(xué)計(jì)算軟件，可編程，有很多有用的函數(shù)庫和數(shù)據(jù)集，它強(qiáng)大的作圖工具是做數(shù)據(jù)分析的好幫手，在高手如云的大數(shù)據(jù)江湖中，不炫個(gè)技都不敢說自己是江湖中人，那么我們就看看想要炫技需要掌握哪些基本功吧

注意：本文中實(shí)際使用的樣本數(shù)據(jù)是根據(jù)具體命令任意挑選某組樣本數(shù)據(jù)，不具有針對性，因此自己試驗(yàn)可以隨意找樣本嘗試

一個(gè)table引發(fā)的血案

table函數(shù)就是用來輸出指定字段的統(tǒng)計(jì)表格，可以用來分析數(shù)據(jù)比例情況，像下面的樣子：

> table(full$Title, full$Survived)

               0   1
  Master      17  23
  Miss        55 130
  Mr         436  81
  Mrs         26 100
  Rare Title  15   8

那么為了讓table夠直觀，各路大俠紛紛使出了洪荒之力，注意，下面開始炫技部分：

第一種作圖方式（用于觀察標(biāo)準(zhǔn)殘差的場景）：

> mosaicplot(table(full$Title, full$Survived), shade=TRUE)

第二種作圖方式（用于觀察總數(shù)目的場景）：

> barplot(table(full$Survived, full$Title), sub="Survival by Title", ylab="number of passengers", col=c("steelblue4","steelblue2")) > le> barplot(table(full$Survived, full$Title), sub="Survival by Title", ylab="number of passengers", col=c("steelblue4","steelblue2"))
> legend("topleft",legend = c("Died","Survived"),fill=c("steelblue4","steelblue2"),inset = .05)

第三種作圖方式（用于觀察比例情況的場景）：

> barplot(prop.table(table(full$Survived, full$Title),2), sub="Survival by Title", ylab="number of passengers", col=c("steelblue4","steelblue2"))
> legend("topleft",legend = c("Died","Survived"),fill=c("steelblue4","steelblue2"),inset = .05)

當(dāng)然還可以有第四種作圖方式（同樣是用于觀察比例情況的場景）：

> library('ggthemes')
> ggplot(full, aes(x = Title, fill = factor(Survived))) + geom_bar(stat='count', position='fill') + theme_few()

不同風(fēng)格的決策樹

在上節(jié)數(shù)據(jù)缺失填補(bǔ)中我們見過這樣一棵決策樹：

> library("rpart")
> library("rpart.plot")
> my_tree <- rpart(Fare ~ Pclass + Fsize + Embarked, data = train, method = "class", control=rpart.control(cp=0.0001))
> prp(my_tree, type = 4, extra = 100)

如果我們想看到每個(gè)分支的比例關(guān)系還可以在枝干上下文章：

> prp(my_tree, type = 2, extra = 100,branch.type=1)

圖中根據(jù)不同的枝干粗細(xì)能看出樣本集中在那個(gè)分支上

數(shù)據(jù)總覽方式

第一種：按列總覽

優(yōu)點(diǎn)：可以看到有哪些列，什么類型，每一列取值舉幾個(gè)例子，也能看到有多少行

> str(train)
'data.frame':      2197291 obs. of  15 variables:
 $ people_id        : chr  "ppl_100" "ppl_100" "ppl_100" "ppl_100" ...
 $ activity_id      : chr  "act2_1734928" "act2_2434093" "act2_3404049" "act2_3651215" ...
 $ date             : chr  "2023-08-26" "2022-09-27" "2022-09-27" "2023-08-04" ...
 $ activity_category: chr  "type 4" "type 2" "type 2" "type 2" ...
 $ char_1           : chr  "" "" "" "" ...
 $ char_2           : chr  "" "" "" "" ...
 $ char_3           : chr  "" "" "" "" ...
 $ char_4           : chr  "" "" "" "" ...
 $ char_5           : chr  "" "" "" "" ...
 $ char_6           : chr  "" "" "" "" ...
 $ char_7           : chr  "" "" "" "" ...
 $ char_8           : chr  "" "" "" "" ...
 $ char_9           : chr  "" "" "" "" ...
 $ char_10          : chr  "type 76" "type 1" "type 1" "type 1" ...
 $ outcome          : int  0 0 0 0 0 0 1 1 1 1 ...

第二種：分布總覽

優(yōu)點(diǎn)：能看出每一列的最大值、最小值、均值、中位數(shù)等分布數(shù)據(jù)

> summary(train)
comment_count      sex         has_free_course     score
 Min.   :   0.0        Min.   :0.0000   Min.   :0.0000        Min.   :0.00
 1st Qu.:   0.0        1st Qu.:0.0000   1st Qu.:0.0000        1st Qu.:0.00
 Median :   9.0        Median :1.0000   Median :0.0000        Median :4.90
 Mean   : 397.6        Mean   :0.6259   Mean   :0.3786        Mean   :2.92
 3rd Qu.: 169.0        3rd Qu.:1.0000   3rd Qu.:1.0000        3rd Qu.:5.00
 Max.   :5409.0        Max.   :2.0000   Max.   :1.0000        Max.   :5.00

第三種：采樣瀏覽

優(yōu)點(diǎn)：可以抽出其中少數(shù)樣本看全部信息

> library(dplyr)
> sample_n(train, 4)
> sample_n(train, 4)
         people_id  activity_id       date activity_category char_1 char_2
513235  ppl_184793 act2_3805654 2023-02-25            type 2
1127284  ppl_29203 act2_1960547 2022-09-16            type 5
1174958 ppl_294918 act2_3624924 2022-10-19            type 3
1794311 ppl_390987  act2_633897 2023-02-10            type 2
        char_3 char_4 char_5 char_6 char_7 char_8 char_9   char_10 outcome
513235                                                      type 1       0
1127284                                                  type 1349       1
1174958                                                    type 23       0
1794311                                                     type 1       0

第四種：用戶友好的表格采樣瀏覽

優(yōu)點(diǎn)：不自動(dòng)換行，按表格形式組織，直觀

> library(knitr)
> kable(sample_n(train, 4))
> kable(sample_n(train, 4))


|        |people_id  |activity_id  |date       |activity_category |char_1 |char_2 |char_3 |char_4 |char_5 |char_6 |char_7 |char_8 |char_9 |char_10   | outcome|
|:-------|:----------|:------------|:----------|:-----------------|:------|:------|:------|:------|:------|:------|:------|:------|:------|:---------|-------:|
|1784154 |ppl_389138 |act2_2793972 |2022-11-03 |type 5            |       |       |       |       |       |       |       |       |       |type 649  |       1|
|1138360 |ppl_294144 |act2_149226  |2022-09-18 |type 5            |       |       |       |       |       |       |       |       |       |type 1058 |       0|
|1698603 |ppl_373844 |act2_3579388 |2022-08-27 |type 4            |       |       |       |       |       |       |       |       |       |type 230  |       0|
|1505324 |ppl_351017 |act2_2570186 |2022-09-30 |type 5            |       |       |       |       |       |       |       |       |       |type 248  |       0|

請尊重原創(chuàng)，轉(zhuǎn)載請注明來源網(wǎng)站www.shareditor.com以及原始鏈接地址

R語言中的管道

shell中管道非常方便，比如把一個(gè)文件中第二列按數(shù)字排序后去重可以寫成cat file | awk  '{print $2}' | sort -n -k 1 | uniq，那么R語言中的管道怎么用呢？我們先來看一個(gè)例子：

> library(dplyr)
> ggplot(filter(train, char_5 != ""), aes(x = outcome, fill = char_5)) + geom_bar(width = 0.6, position = "fill")

這個(gè)例子中有以下處理步驟：

1. 拿出train數(shù)據(jù)

2. 對train數(shù)據(jù)做過濾，過濾掉char_5這一列為空的樣本

3. 用過濾好的數(shù)據(jù)執(zhí)行g(shù)gplot畫圖

這三部如果用一層層管道操作就方便多了，實(shí)際上R語言為我們提供了這樣的管道，即把函數(shù)的第一個(gè)參數(shù)單獨(dú)提出來作為管道輸入，管道操作符是%>%，也就是可以這樣執(zhí)行：

> train %>%
+ filter(char_5 != "") %>%
+ ggplot(aes(x=outcome, fill=char_10))+geom_bar(width=0.6, position="fill")

那么管道到底有什么好處呢？我們來追蹤一下實(shí)際的過程來體會

假設(shè)我們樣本長這個(gè)樣子：

> library(knitr)
> kable(sample_n(train, 4))


|        |people_id  |activity_id  |date       |activity_category |char_1 |char_2 |char_3 |char_4 |char_5 |char_6 |char_7 |char_8 |char_9 |char_10   | outcome|
|:-------|:----------|:------------|:----------|:-----------------|:------|:------|:------|:------|:------|:------|:------|:------|:------|:---------|-------:|
|567545  |ppl_194099 |act2_1420548 |2023-02-08 |type 2            |       |       |       |       |       |       |       |       |       |type 1    |       0|
|115164  |ppl_112033 |act2_2209862 |2022-10-23 |type 5            |       |       |       |       |       |       |       |       |       |type 481  |       1|
|1616290 |ppl_369463 |act2_2515098 |2023-07-11 |type 4            |       |       |       |       |       |       |       |       |       |type 295  |       0|
|1714893 |ppl_376799 |act2_1464019 |2022-10-01 |type 5            |       |       |       |       |       |       |       |       |       |type 1907 |       0|

這時(shí)我們發(fā)現(xiàn)有一些列是空值，如果我希望了解一下其中的char_5都有哪些取值以及比例情況，我們可以這樣來做：

> train %>%
+ count(char_5)
# A tibble: 8 × 2
  char_5       n
   <chr>   <int>
1        2039676
2 type 1   49214
3 type 2   26982
4 type 3    6013
5 type 4    1995
6 type 5    5421
7 type 6   67989
8 type 7       1

現(xiàn)在我們看到了輸出了char_5和n兩列分別表示可能取值和頻次，但是還是不夠直觀，希望畫圖來看，那么我們繼續(xù)：

> train %>%
+ count(char_5) %>%
+ ggplot(aes (x = reorder(char_5,n), y = n)) +
+ geom_bar(stat = "identity", fill = "light blue")

發(fā)現(xiàn)我們有很多空值，這時(shí)我們繼續(xù)調(diào)整：

> train %>%
+ filter(char_5!="") %>%
+ count(char_5) %>%
+ ggplot(aes (x = reorder(char_5,n), y = n)) +
+ geom_bar(stat = "identity", fill = "light blue")

這就是我們的管道的作用：一步一步調(diào)試，不需要總想著把參數(shù)插到函數(shù)的哪個(gè)位置

回到本源，最基本的作圖

有人會說，R語言怎么總是畫這么復(fù)雜的圖像，但是卻連最基本的散點(diǎn)圖和折線圖都不能畫嗎？下面回到本源，來展示一下R語言的最基本的作圖功能。

散點(diǎn)圖

> a <- c(49, 26, 69, 19, 54, 67, 19, 33)
> plot(a)

如果希望看到變化趨勢，我們可以畫折線圖，加上type即可

> plot(a, type='b')

如果這是一個(gè)每日消費(fèi)金額，我們想看累積消費(fèi)怎么辦？我們可以利用累積函數(shù)cumsum，它的功能像這個(gè)樣子：

> a
[1] 49 26 69 19 54 67 19 33
> cumsum(a)
[1]  49  75 144 163 217 284 303 336
>

那么可以這樣作圖：

> plot(cumsum(a), type='b')

最后讓我們用一個(gè)完美的正弦曲線收筆：

> x1 <- 0:100
> x2 <- x1 * 2 * pi / 100
> Y = sin(x2)
> par(family='STXihei') # 這句是為了解決圖像中中文亂碼問題
> plot(x2, Y, type='l', main='正弦曲線', xlab='x軸', ylab='y軸')