1. 将数据导入R
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：？，$，*，+，＃，（，），-，/，}，{，|，>，<等。只能使用下划线。
避免以数字开头的变量名。请改用字母。
好的列名称：patient_1st_meal或x1st_meal。
列名错误：1st_male
列名必须是唯一的。不允许重复的名称。
R区分大小写。这意味着名称不同于名称或名称。
避免数据中出现空白行。
删除文件中的任何评论。
用NA替换缺少的值（不可用）。
如果你有包含日期的列，请使用四位数格式。
格式良好：20160101。
格式错误：01/01/16
# 对于.txt文件 my_data <- read.delim(file.choose())
# 对于.csv文件 my_data <- read.csv(file.choose())
在这里，我们将使用名为iris的内置R数据集。
# 导入R内自带的iris数据集 library(datasets) data(iris)
# 将数据存储在变量my_data中 my_data <- iris
1.3 检查数据
你可以使用head()和tails()函数检查数据，这将分别显示数据的第一部分和最后一部分。
# 显示前六行内容 head(my_data, 6)
输出结果如下
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
2. 常用的描述性统计的R函数
一些用于计算描述性统计量的R函数：
3. 单个组的描述性统计
粗略地说，集中趋势衡量的是数据的“平均”或“中间”。最常用的衡量指标包括：
集中趋势
平均值：平均值。它对异常值很敏感。
中位数：中间值。这是一个强有力的替代手段。
众数：最频繁出现的值
在R中
函数mean()和median()可以分别计算平均值和中位数；
# 计算平均值 mean(my_data$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$Sepal.Length)
范围。它不经常使用，因为它对异常值非常敏感。
四分位间距。对于异常值，它非常强大。它多与中位数结合使用。
方差。完全无法解释的，因为它不使用与数据相同的单位。除了用作数学工具外，很少被使用。
标准偏差。方差的平方根。它以与数据相同的单位表示。在均值是集中趋势的分布（多指正态分布）的情况下，通常使用标准偏差。
绝对中位数。对于具有离群值的数据，这是一种估算标准偏差的可靠方法。但是不经常使用。
总而言之，四分位间距和标准差是用于报告数据变异性的两种最常用的度量。
3.3 计算变量和整个数据框的整体摘要
summary()函数
函数summary()可用于显示一个变量或整个数据框的多个统计变量概况。
单个变量的概况。
返回六个值：平均值，中位数，第25和，75四分位数，最小值和最大值。
summary(my_data$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 SpeciesMin. :4 Min. :2 Min. :1 Min. :0.1 setosa :501st Qu.:5 1st Qu.:3 1st Qu.:2 1st Qu.:0.3 versicolor:50Median :6 Median :3 Median :4 Median :1.3 virginica :50Mean :6 Mean :3 Mean :4 Mean :1.23rd Qu.:6 3rd Qu.:3 3rd Qu.:5 3rd Qu.:1.8Max. :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。
