热线电话:13121318867

登录
首页精彩阅读R语言描述统计第一弹 | 计算泰坦尼克号不同舱位的存活率
R语言描述统计第一弹 | 计算泰坦尼克号不同舱位的存活率
2020-09-28
收藏

作者:丁点helper

来源:丁点帮你

今天开始学习在R语言中做描述性统计。为了便于大家边学边练,可以下载这个数据:

文件名:titanic.csv

链接:https://pan.baidu.com/s/1Pj0EsaBZdnw6mHPpeVd9Aw  

密码:  yuym

将本地文件导入到R中

为了便于数据管理和操作,我们通常会把数据保存为.csv格式,这是excel中的一种较为简单的数据格式。想要把一个.csv格式的数据导入R,可以用read.csv()这个函数:

# 将本地文件titanic.csv导入到R中,
# 并存储到titanic这个对象中titanic 
  <- read.csv("//Users//Desktop//titanic.csv",header = TRUE)

假设该本地文件存储的是1912年沉没于大西洋的巨型邮轮泰坦尼克号中乘客的基本信息。

上面第一个命令"//Users//Desktop//titanic.csv"是文件titanic.csv的本地存储地址,大家要根据自己电脑的存储位置自行调整;

第二个命令header = TRUE 是指将原文件中的第一行自动设置为文件的列名。

如果你的.csv文件中并无列名,而是希望在导入R之后再设置,则应将第二个命令设置为header = FALSE。

了解数据

上篇文章讲过,拿到一个数据库,首先要了解它的基本信息。之前已经讲过,我们简单复习一下。

class(titanic)  
#对象是什么数据结构[1] "data.frame"dim(titanic)    
#查看数据有几行几列[1] 1309    6names(titanic)  
#查看数据的列名[1] "pclass"  "survived"  "sex"   "age"  "sibsp"  "parch" head(titanic)   
#查看前6行tail(titanic)   
#查看后6行

可以知道,titanic这个数据框中有1309条记录,6个变量。

这6个变量依次为舱位等级、是否幸存、性别、年龄、同行的兄弟姐妹或配偶数量、同行的父母或子女数量。

描述性统计

接下来我们来对titanic这个数据做描述性统计。

1. 每个等级的船舱中分别有多少人?

有两种方法,一是table()函数,用于统计分类变量pclass中各类别的频数;二是summary()函数,功能是做描述性统计,既适用于分类也适用于计数变量,可以用来统计分类变量的频数、计算计数变量的均数、百分位数等。

# 方法一table(titanic$pclass) 1st 2nd 3rd  323 277 709# 方法二summary(titanic$pclass) 1st 2nd 3rd  323 277 709

2. 遇难者与幸存者分别有多少人?

table(titanic$survived)   
died  survived       
809      500 

3. 每个等级的舱位中分别有多少人遇难、多少人幸存?

本例中,按照『舱位等级』和『是否幸存』两个条件统计乘客状况,共6种可能。仍使用table()函数,统计每种可能的状况分别有多少人,生成交叉列联表。

# 将列联表存储在tab1中tab1 
  <- table(titanic$survived,titanic$pclass)
# 查看tab1的内容tab1           
1st 2nd 3rd   died      
123 158 528   
survived  
200 119 181

4. 每个等级的舱位中幸存者的比例是多少呢?

思路很简单,就是每等级舱位中幸存者的人数占该舱位总人数的比例。

1)那我们先看看每等级舱位中幸存者的人数怎么算,上面的tab1第二行就是,只需要将其提取出来,方法和前面讲过的如何提取数据框中的行和列相同:

#提取tab1的第二行tab1[2, ] 
1st 2nd 3rd  
200 119 181

2)每种舱位总人数?上面也已经计算过:

table(titanic$pclass) 
1st 2nd 3rd  
323 277 709

还有一种方法,使用apply()函数,功能是对矩阵类数据的行或列进行批量处理:

apply(tab1,2,sum) 
1st 2nd 3rd 
323 277 709

函数中有三个命令。第一个命令tab1表示待处理的数据;第二个命令2表示对tab1的每一列进行处理,若需处理每一行,则第二个命令应输入数字1;第三个命令sum表示求和。

因此,上述语句的意义为:对tab1中的每一列求和,即计算每个等级舱位中的总人数。

3)求每等级舱位中幸存者的人数占该舱位总人数的比例:

# 方法一
tab1[2, ]/table(titanic$pclass)      
1st       2nd       3rd    
0.6191950 0.4296029 0.2552891 
# 方法二
tab1[2, ]/apply(tab1,2,sum)      
1st       2nd       3rd    
0.6191950 0.4296029 0.2552891

4)你一定也发现了,这个结果非常不美观,也不适合在科研工作中报告。我们做以下变化:

# 先乘以100
tab1[2, ]/apply(tab1,2,sum)*100 
1st      2nd      3rd 
61.91950 42.96029 25.52891
# 保留2位小数 
round(tab1[2, ]/apply(tab1,2,sum)*100,2)   
1st   2nd   3rd  
61.92 42.96 25.53

round()函数的功能是保留小数位数。

上面的代码中,第一个命令tab1[2, ]/apply(tab1,2,sum)*100 是需要保留小数的对象;

第二个命令2是指保留2位小数。

5)可是这个结果显然不对,加上百分号%才是准确的。需要用到paste()函数,该函数的功能是把各种元素连接起来,本例中,我们希望把数字和百分号连接:

paste(round(tab1[2, ]/apply(tab1,2,sum)*100,2),"%",sep="")
"61.92%" "42.96%" "25.53%"

第一个命令round(tab1[2, ]/apply(tab1,2,sum)*100,2) 就是上面计算好的百分数的数字部分,这是要连接的第一部分;

第二个命令"%" 是要连接的第二部分;

第三个命令sep="" 指两个元素之间的连接符号,这里我们不需要任何连接符号,所以引号""之间什么都不用写。

数据分析咨询请扫描二维码

最新资讯
更多
客服在线
立即咨询