极客教程R语言 使用R进行数据分析
数据分析 是数据分析的一个子集，它是一个必须明确目标、收集相关数据、预处理数据、进行分析（理解数据、探索见解）、然后将其可视化的过程。最后一步可视化很重要，可以让人们了解公司正在发生什么。
数据分析中涉及的步骤
数据分析的过程将包括给定问题陈述的所有这些步骤。例子–分析正在迅速售罄的产品和零售店的常客的细节。
- 界定问题陈述– 了解目标，以及需要做什么。在这种情况下，我们的问题陈述是–“产品基本售罄，以及经常光顾该商店的顾客名单”。
- 收集数据 – 不是所有公司的数据都是必要的，根据问题了解相关数据。这里需要的列是产品ID、客户ID和访问日期。
- 预处理– 在进行分析之前，清洗数据是必须的，把它放在一个结构化的格式中。
- 去除离群值（噪音数据）。
- 去除列中的空值或不相关的值。(将空值改为该列的平均值）。
- 如果有任何缺失的数据，要么忽略该元组，要么用该列的平均值来填补。
使用泰坦尼克号数据集的数据分析
你可以从这里下载泰坦尼克号数据集（它包含泰坦尼克号上真实乘客的数据）。将数据集保存在当前工作目录下，现在我们将开始分析（了解我们的数据）。
输出
我们的数据集包含所有的列，如乘客的姓名、年龄、性别和他们所乘坐的舱位，他们是否存活等。为了了解每一列的类别（数据类型），可以使用 sapply() 方法。
输出
我们可以用 factor() 函数将 “survived “这个值分为 “dead “到0和 “live “到1。
输出
我们使用所有列、它们的值和数据类型的摘要来分析数据，summary()可以用于这个目的。
输出
从上述总结中，我们可以提取以下观察结果。
- 乘客总数：891人
- 存活下来的总人数。 342
- 死亡的总人数：549人
- 泰坦尼克号中的男性人数：577人
- 泰坦尼克号上的女性人数：314人
- 泰坦尼克号上所有人员的最大年龄：80岁
- 年龄中位数：28
在分析之前，数据的预处理是很重要的，所以必须检查并删除空值。
输出
- dropnull_train只包含631行，因为（ 数据集中的总行数（808）-空值行数（177）=剩余行数（631） )
- 现在我们将把幸存和死亡的人从631行中划分为一个单独的列表。
现在我们可以用柱状图、直方图和饼状图来直观地显示死亡和幸存的男性和女性的数量。
输出
从上面的饼图中，我们可以肯定地说，在目标/生存列中存在着数据不平衡的现象。
输出
现在让我们画一个柱状图，以直观地显示在泰坦尼克号上的男性和女性的数量。
输出。
从上面的柱状图中，我们可以分析出有近350名男性和50名女性在泰坦尼克号中没有幸存下来。
输出
在这里我们可以观察到，有一些乘客的收费非常高。因此，这些数值会影响我们的分析，因为它们是离群值。让我们用boxplot来确认他们的存在。
输出
当然，在这个数据集中有一些极端的离群值存在。