R与Python手牵手：数据探索性分析案例展示

作者： 黄天元 ，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

通常，我们拿到一份数据不能马上分析，要先搞清楚这份数据的特点是什么。探索性数据分析就是为了解决这个问题而设计的，下面我们通过一个案例进行展示。本案例数据可在这里获得：

https://github.com/DataScienceUB/introduction-datascience-python-book

Python

数据导入

#数据读入

file = open('G:/Py/introduction-datascience-python-book-master/files/ch03/adult.data', 'r')



def chr_int(a): if a.isdigit(): return int(a) else: return 0



data=[] for line in file: data1=line.split(', ') if len(data1)==15: data.append([chrint(data1[0]),data1[1],chrint(data1[2]),data1[3],chrint(data1[4]),data1[5],data1[6],\ data1[7],data1[8],data1[9],chrint(data1[10]),chrint(data1[11]),chrint(data1[12]),data1[13],\ data1[14]])



print (data[1:2])

结果：

[[50, 'Self-emp-not-inc', 83311, 'Bachelors', 13, 'Married-civ-spouse', 'Exec-managerial', 'Husband', 'White', 'Male', 0, 0, 13, 'United-States', '<=50K\n']]

数据转化与审视

#转化为数据框格式

%matplotlib inline import pandas as pd



df = pd.DataFrame(data) # Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes



df.columns = ['age', 'typeemployer', 'fnlwgt', 'education', "educationnum","marital", "occupation", "relationship", "race","sex", "capitalgain", "capitalloss", "hrperweek","country","income"]

观察前几行

df.head()

（点击放大哦）

观察后几行

df.tail()

（点击放大哦）

查询行列数量

df.shape

结果：

(32561, 15)

对国家进行汇总统计

counts = df.groupby('country').size()

print (counts)

结果：

country

?                               583

Cambodia                         19

Canada                          121

China                            75

Columbia                         59

Cuba                             95

Dominican-Republic               70

Ecuador                          28

El-Salvador                     106

England                          90

France                           29

Germany                         137

Greece                           29

Guatemala                        64

Haiti                            44

Holand-Netherlands                1

Honduras                         13

Hong                             20

Hungary                          13

India                           100

Iran                             43

Ireland                          24

Italy                            73

Jamaica                          81

Japan                            62

Laos                             18

Mexico                          643

Nicaragua                        34

Outlying-US(Guam-USVI-etc)       14

Peru                             31

Philippines                     198

Poland                           60

Portugal                         37

Puerto-Rico                     114

Scotland                         12

South                            80

Taiwan                           51

Thailand                         18

Trinadad&Tobago                  19

United-States                 29170

Vietnam                          67

Yugoslavia                       16

dtype: int64

这里大家可以自行尝试对其他变量进行汇总统计

数据分割

#根据性别、收入水平对数据取子集

ml = df[(df.sex == 'Male')] ml1 = df[(df.sex == 'Male')&(df.income=='>50K\n')] fm =df[(df.sex == 'Female')] fm1 =df[(df.sex == 'Female')&(df.income=='>50K\n')] df1=df[(df.income=='>50K\n')] 

这里大家可以尝试看看每个子集的行列数量，并可以试着计算高收入群体的的比例、男/女性群体中高收入群体的占比。

基本统计量展示

#求均值、方差、标准差

mlmu = ml['age'].mean() fmmu = fm['age'].mean() mlvar = ml['age'].var() fmvar = fm['age'].var() mlstd = ml['age'].std() fmstd = fm['age'].std() print ('Statistics of age for men: mu:', mlmu, 'var:', mlvar, 'std:', mlstd) print ('Statistics of age for women: mu:', fmmu, 'var:', fmvar, 'std:', fmstd)

#求中位数

mlmedian= ml['age'].median() fmmedian= fm['age'].median() print ("Median age per men and women: ", mlmedian, fmmedian)

mlmedianage= ml1['age'].median() fmmedianage= fm1['age'].median() print ("Median age per men and women with high-income: ", mlmedianage, fmmedianage)

结果：

Statistics of age for men: mu: 39.43354749885268 var: 178.77375174529985 std: 13.370630192526448

Statistics of age for women: mu: 36.85823043357163 var: 196.3837063948063 std: 14.013697099438332

Median age per men and women:  38.0 35.0

Median age per men and women with high-income:  44.0 41.0

清除离群点

首先明确什么是离群点，离群点就是离中位数或均值非常遥远的数据点，它们可能是由于观察、操作错误引起的，也有可能是随机事件，也就是极端的情况。如果我们希望发现总体情况的时候，应该清楚这些数据点，否则对我们的结果造成非常大的影响，误导我们的认识。 在这个案例中，我们清除掉比中位数大或小3倍标准差的点。

df.shape

结果：

(32561, 15)

df2 = df.drop(df.index[(df['hrperweek'] > (df['hrperweek'].median() + 3df['hrperweek'].std())) & (df['hrperweek'] < (df['hrperweek'].median() - 3df['hrperweek'].std()))]) df2.shape

结果：

(32561, 15)

上面的函数，本质意义是找到中位数大于上界或小于下界的点，然后清楚掉，剩下的就是非离群点。没有清除掉任何离群点。

R

下面来看在R中如何实现相同步骤。

数据导入与审视

#读取

library(tidyverse)

readcsv("G:/Py/introduction-datascience-python-book-master/files/ch03/adult.data",colnames = F) -> df

#设置列名称

names(df) = c('age', 'typeemployer', 'fnlwgt', 'education', "educationnum","marital", "occupation", "relationship", "race","sex", "capitalgain", "capitalloss", "hrperweek","country","income")

观察前几行

df %>% head

（点击放大哦）

观察后几行

df %>% tail

（点击放大哦）

R df %>% dim

1. 32561

2. 15

R df %>% count(country)

数据分割

R df %>% filter(sex == 'Male') -> ml df %>% filter(sex == 'Male',income == '>50K\n') -> ml1 df %>% filter(sex == 'Female') -> fml df %>% filter(sex == 'Female',income == '>50K\n') -> fml1 df %>% filter(income == '>50K\n') -> df1

基本统计量展示

ml %>% pull(age) %>% mean -> mlmu ml %>% pull(age) %>% var -> mlvar ml %>% pull(age) %>% sd -> mlstd ml %>% pull(age) %>% median -> mlmedian

print(c(mlmu,mlvar,mlstd,mlmedian))

结果：

[1] 39.43355 178.77375 13.37063 38.00000

清除离群点

R df %>%dim

1. 32561

2. 15

df %>% pull(hrperweek) %>% sd -> hrsd df %>% pull(hrperweek) %>% median -> hrmedian

df %>% filter(hrperweek <= (hrmedian + 3hrmedian) | hrperweek >= (hrmedian - 3hrmedian)) -> df2

dim(df2) 

1. 32561

2. 15

上面的操作本质是筛选在上下界之间的数据点。

分析

在清楚离群点的时候，两个语言用的函数和思路不一样，需要体会一下。值得注意的是，使用dplyr管道的时候要随时注意数据集的改变，因此对中位数和标准差的计算需要在外部进行，然后在最后的函数中直接以常数的形式被利用。

大家都在看

R语言二分类问题案例分析：以泰坦尼克号沉船为例

无缝对接Spark与R：Sparklyr系列—探讨属于数据科学家的Spark

R与Python手牵手：数据的分组排序

R与Python手牵手：数据框的构建、读取与基本描述

R与Python手牵手：数据科学导论系列（包的载入）

公众号后台回复关键字即可学习

本文由R语言中文社区 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。

转载、引用前需联系作者，并署名作者且注明文章出处。

本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。