作者：丁点helper

来源：丁点帮你

上篇文章介绍了如何在数据中增加或者删除变量，但是实际操作中，我们需要从大的数据库中选取一些变量来分析，那么如何从数据中选取多个变量呢？

从数据库中选取多个变量

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归本次我们数据链接：

假设原数据库为rawdata，存储了某地区人群的上千个健康指标，但现在我们只想提取其中的基本人口和社会经济特征变量进行分析。

通常来讲，可以在数据框后加[ , ]。逗号后是列。

## 提取第一列 rawdata [,1]

但从上千个指标中选出某几个人口和社会经济变量，必须知道这些变量在原数据库中是第几列，操作必然繁琐，且容易出错。

这种情况下，我们可以用下面的code：

newdata <- rawdata[,c('age','gender','ethnicity','education', 'job','marital_status','location','monthly_income'）

定量变量的统计描述

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。

在刚刚整理好的newdata中，我们想了解目标人群的月收入。

首先对数据做个简单的逻辑核验，比如月收入一定是大于0的。

另外，还要把缺失值删掉，当然，这里需要考虑缺失值是否会对统计结果造成影响。

比如通过对未缺失变量的描述，发现缺失的月收入都来自金融行业的样本，那么用现有数据计算出来的月收入就可能低于实际情况，我们需要回访、补充数据，或者用相关数据代替。

无论采取何种办法，或者不采取任何补救办法，在汇报结果时，都需要说明。

newdata <- newdata[!is.na(newdata$monthly_income),]

定量变量的统计描述，可以用均值和标准差的组合，也可以用中位数和四分位数间距的组合。这取决于数据的分布：

hist(newdata$monthly_income)

一般情况下，收入都是左偏峰分布的，也就是说，大多数人的收入集中在中等水平，随着月均收入的增加，落在其区间内的人数越来越少。

所以我们要用中位数和四分位数间距的组合来描述月均收入。quantile()这个函数可以输出最小值、25%分位数、中位数、75%分位数、最大值。IQR()是计算四分位数间距的函数，也可以用75%分位数减去25%分位数计算。

quantile (newdata$monthly_income) ## results 0% 25% 50% 75% 100% 3000 4500 4700 5500 20000 

分组对定量变量做统计描述

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。

不同性别的人群，月收入情况分别是怎样的呢？aggregate()函数可以实现分组输出统计结果：

该函数第一个命令是要统计的变量，第二个命令是要分组的变量，第三个命令是统计的方式，也就是用哪个函数对变量做统计。

aggregate(newdata$monthly_income, by=list(newdata$gender),quantile) ## gender=0:female; gender=1: male  ## results  Group.1 x.0% x.25% x.50% x.75% x.100% 1 0 3000 3500 4000 4500 6000 2 1 2000 5000 5500 6600 20000