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：[e-mail]

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

公众号后台回复关键字即可学习

回复 爬虫             爬虫三大案例实战  
回复 Python        1小时破冰入门

回复 数据挖掘      R语言入门及数据挖掘
回复 人工智能      三个月入门人工智能
回复 数据分析师   数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法