在上一讲中，我们介绍了第三讲 R编程基础-矩阵和数据框 。到现在为止，大家已经学完了R语言的基础知识，马上就开始进阶地学习一些R语言相关的统计学技能了。

今天的更新，我们会带您学习R的基本统计学技能：描述性统计分析。

1. 将数据导入R

1.1 准备好你的数据

命名约定

避免名称带有空格。

好的列名：patient_age或patient.age。

列名错误：patient age。

避免使用带有特殊符号的名称：？，$，*，+，＃，（，），-，/，}，{，|，>，<等。只能使用下划线。

避免以数字开头的变量名。请改用字母。

好的列名称：patient_1st_meal或x1st_meal。

列名错误：1st_male

列名必须是唯一的。不允许重复的名称。

R区分大小写。这意味着名称不同于名称或名称。

避免数据中出现空白行。

删除文件中的任何评论。

用NA替换缺少的值（不可用）。

如果你有包含日期的列，请使用四位数格式。

格式良好：20160101。

格式错误：01/01/16

1.2 将数据保存在外部.txt标签或.csv文件中

1.3 如下将数据导入R

# 对于.txt文件

my_data <- read.delim(file.choose())

# 对于.csv文件

my_data <- read.csv(file.choose())

在这里，我们将使用名为iris的内置R数据集。

# 导入R内自带的iris数据集

library(datasets)

data(iris)

# 将数据存储在变量my_data中

my_data <- iris

1.3 检查数据

你可以使用head()和tails()函数检查数据，这将分别显示数据的第一部分和最后一部分。

# 显示前六行内容

head(my_data, 6)

输出结果如下

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

1 5.1 3.5 1.4 0.2 setosa

2 4.9 3.0 1.4 0.2 setosa

3 4.7 3.2 1.3 0.2 setosa

4 4.6 3.1 1.5 0.2 setosa

5 5.0 3.6 1.4 0.2 setosa

6 5.4 3.9 1.7 0.4 setosa

2. 常用的描述性统计的R函数

一些用于计算描述性统计量的R函数：

? R函数

图片

3. 单个组的描述性统计

3.1 集中趋势的度量：均值，中位数，众数

粗略地说，集中趋势衡量的是数据的“平均”或“中间”。最常用的衡量指标包括：

集中趋势

平均值：平均值。它对异常值很敏感。

中位数：中间值。这是一个强有力的替代手段。

众数：最频繁出现的值

在R中

函数mean()和median()可以分别计算平均值和中位数；

# 计算平均值

mean(my_data$Sepal.Length)

[1] 5.843333

# 计算中位数

median(my_data$Sepal.Length)

[1] 5.8

3.2 可变性的度量

可变性度量给出了数据“分散”的程度。

范围

极值：最小值和最大值

范围：最大值减去最小值

# 计算最小值

min(my_data$Sepal.Length)

[1] 4.3

# 计算最大值

max(my_data$Sepal.Length)

[1] 7.9

# 范围

range(my_data$Sepal.Length)

[1] 4.3 7.9

四分位间距

四分位数将数据均匀分为4部分。四分位数间距（IQR）：对应于第一和第三四分位数之间的差异-有时被用作标准偏差的可靠替代方案。

R功能：

quantile(x, probs = seq(0, 1, 0.25))

x：需要样本分位数的数值向量。

probs：在[0,1]之间的概率数值向量。

例：

quantile(my_data$Sepal.Length)

0% 25% 50% 75% 100%

4.3 5.1 5.8 6.4 7.9

# 计算十分位数（0.1，0.2，0.3，…，0.9）：

quantile(my_data$Sepal.Length, seq(0, 1, 0.1))

# 计算四分位间距：

IQR(my_data$Sepal.Length)

[1] 1.3

方差和标准差

方差表示与均值的平均平方差之和。标准差是方差的平方根。它测量数据中数值与平均值的平均偏差。

# 计算方差

var(my_data$Sepal.Length)

# 计算标准差

sd(my_data$Sepal.Length)

绝对中位数

绝对中位数（Median absolute deviation,MAD）：数据中值与中值的偏差，即先计算出数据与它们的中位数之间的残差（偏差），MAD就是这些偏差的绝对值的中位数。

# 计算中位数

median(my_data$Sepal.Length)

# 计算绝对中位数

mad(my_data$Sepal.Length)

统计描述方式的选择

范围。它不经常使用，因为它对异常值非常敏感。

四分位间距。对于异常值，它非常强大。它多与中位数结合使用。

方差。完全无法解释的，因为它不使用与数据相同的单位。除了用作数学工具外，很少被使用。

标准偏差。方差的平方根。它以与数据相同的单位表示。在均值是集中趋势的分布（多指正态分布）的情况下，通常使用标准偏差。

绝对中位数。对于具有离群值的数据，这是一种估算标准偏差的可靠方法。但是不经常使用。

总而言之，四分位间距和标准差是用于报告数据变异性的两种最常用的度量。

3.3 计算变量和整个数据框的整体摘要

summary()函数

函数summary()可用于显示一个变量或整个数据框的多个统计变量概况。

单个变量的概况。

返回六个值：平均值，中位数，第25和，75四分位数，最小值和最大值。

summary(my_data$Sepal.Length)

输出结果如下:

Min. 1st Qu. Median Mean 3rd Qu. Max.

4.300 5.100 5.800 5.843 6.400 7.900

数据框概况。

在这种情况下，函数summary()将自动应用于每列。结果的格式取决于列中包含的数据类型。例如：

如果列是数字变量，则返回均值，中位数，最小值，最大值和四分位数。

如果该列是一个因素变量（factor），则返回每个组中的观察数。

summary(my_data, digits = 1)

输出结果如下:

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

Min. :4 Min. :2 Min. :1 Min. :0.1 setosa :50

1st Qu.:5 1st Qu.:3 1st Qu.:2 1st Qu.:0.3 versicolor:50

Median :6 Median :3 Median :4 Median :1.3 virginica :50

Mean :6 Mean :3 Mean :4 Mean :1.2

3rd Qu.:6 3rd Qu.:3 3rd Qu.:5 3rd Qu.:1.8

Max. :8 Max. :4 Max. :7 Max. :2.5

3.4 缺失值的情况

Tips

当数据包含缺失值时，即使仅缺少一个值，某些R函数也会返回错误或NA。

例如，即使向量中仅丢失一个值，mean()函数也将返回NA。使用参数na.rm = TRUE可以避免这种情况，该参数告诉函数在计算之前删除所有NA。使用均值函数的示例如下：

mean(my_data$Sepal.Length, na.rm = TRUE)

好了，本期讲解就先到这里。在之后的更新中，我们会进一步为您介绍R的入门，以及常用生物统计方法和R实现。

提前打个预告，接下来我们要正式开始学习R语言的统计学技能啦，下一期将会更新“R的描述性统计分析”。喜欢的同学们快快关注起来吧。

转自：投必得学术

如有侵权，请联系本站删除！