1、EDA：Exploratory Data Analysis

使用tidyverse+ggplot2

2、探索性數(shù)據(jù)分析先從問題開始，從一大串問題開始，不斷找答案：變量的variation 、變量的 covariation

區(qū)分概念：變量、值 、觀測(cè)、列表數(shù)據(jù)

3、variation：變量如何改變（變化趨勢(shì)），比如，同一個(gè)對(duì)象，測(cè)量兩次會(huì)有不一樣的結(jié)果

3.1先探索變零值的分布趨勢(shì)

如果是分類變量，用geom_bar()或count（）

ggplot(data = diamonds) + geom_bar(mapping = aes(x = cut))

diamonds %>% count(cut)

如果是連續(xù)變量，用geom_histogram()或count(),要設(shè)置計(jì)算的間隔：

ggplot(data =diamonds)+ geom_histogram(mapping =aes(x =carat),binwidth =0.5)

diamonds %>% count(cut_width(carat, 0.5))

如果查看多個(gè)連續(xù)變量的分布：

ggplot(data = diamonds, mapping = aes(x = carat, colour = cut)) + geom_freqpoly(binwidth = 0.1)

3.2同一變量，什么情況下分布多，什么情況下分布少（clusters)，思考什么原因?qū)е碌?/p>

比如，為什么carat（鉆石重量）大于3的值很少呢？

3.3異常值， coord_cartesian將縱坐標(biāo)壓縮，可以清晰個(gè)別離群值

ggplot(diamonds) + geom_histogram(mapping = aes(x = y), binwidth = 0.5) + coord_cartesian(ylim = c(0, 50))

發(fā)現(xiàn)，異常值0，~30，~60

查看異常值

unusual <- diamonds %>% filter(y < 3 | y > 20) %>% select(price, x, y, z) %>% arrange(y)