笔记 5 探索性数据分析

5.1 探索绘图原则

  • 表示可比的对比
  • 表示因果 解释 机制 系统结构
  • 表示多元变量(超过2)
  • 证据整合 目的驱动非工具驱动
  • 证据描述要标注限定恰当
  • 内容为王

5.2 探索性绘图

  • 个人理解用
  • 不用过分关注细节
  • 基于问题或假设出发

5.3 R绘图系统

5.3.1 基础包

  • 艺术家绘画模式
  • graphics 包括基础包的绘图函数如plot, hist, boxplot
  • grDevices 包括执行调用绘图设备函数如X11, PDF, PostScript, PNG
  • 叠加函数 高度自由度
  • 初始化新图 然后标注
  • 以下命令熟记
  • pch: the plotting symbol (default is open circle)
  • lty: the line type (default is solid line), can be dashed, dotted, etc.
  • lwd: the line width, specified as an integer multiple
  • col: the plotting color, specified as a number, string, or hex code; the colors() function gives you a vector of colors by name
  • xlab: character string for the x-axis label
  • ylab: character string for the y-axis label
  • par():查找做图的画布参数 具体如下
  • las: the orientation of the axis labels on the plot
  • bg: the background color
  • mar: the margin size
  • oma: the outer margin size (default is 0 for all sides)
  • mfrow: number of plots per row, column (plots are filled row-wise)
  • mfcol: number of plots per row, column (plots are filled column-wise)
  • plot: make a scatterplot, or other type of plot depending on the class of the object being plotted
  • lines: add lines to a plot, given a vector x values and a corresponding vector of y values (or a 2-column matrix); this function just connects the dots
  • points: add points to a plot
  • text: add text labels to a plot using specified x, y coordinates
  • title: add annotations to x, y axis labels, title, subtitle, outer margin
  • mtext: add arbitrary text to the margins (inner or outer) of the plot
  • axis: adding axis ticks/labels
  • 图形设备
  • 图像一定要有设备
  • 屏幕设备 Mac quartz() windows windows() Unix/linux x11()
  • 先调用后用dev.off()关闭设备
  • 矢量图设备 保真放大 元素过多体积庞大 pdf() svg() winmetafile() postscript()
  • 位图设备 放大失真 基于像素 png() jpeg() tiff() bmp()
  • 当前设备dev.cur()
  • 设置设备dev.set(<integer>)
  • 设备转移dev.copy dev.copy2pdf

5.3.2 lattice

  • 一站式解决
  • lattice 包括框架图函数如xyplot, bwplot, levelplot
  • grid 包括独立于基础绘图系统的网格绘图系统
  • 一个函数解决问题 默认自定义空间少
  • 返回trellis类型对象 可单独存储
  • 界面调整使用panel选项
  • 以下为常见函数
  • xyplot: this is the main function for creating scatterplots
  • bwplot: box-and-whiskers plots (“boxplots”)
  • histogram: histograms
  • stripplot: like a boxplot but with actual points
  • dotplot: plot dots on “violin strings”
  • splom: scatterplot matrix; like pairs in base plotting system
  • levelplot, contourplot: for plotting “image” data
  • 基本格式
  • xyplot(y ~ x | f * g, data)
  • 可同时展示分组信息及交互作用

5.3.3 ggplot2

  • 基于图形语法理念
  • 图形属性映射数据问题
  • 自动处理界面 允许后期添加 结合base与lattice
  • 默认友好
  • 基础绘图qplot()
  • ggplot() 通过叠加元素出图
  • 细节调整xlab(), ylab(), labs(), ggtitle()
  • 主题调整theme()
  • 做图需求
  • 数据框 data.frame
  • 属性映射 asethetic mappling
  • 几何对象 geoms
  • 条件 facets
  • 统计转换 stats
  • 范围量表 scales
  • 坐标轴系统 coordinate system

5.3.4 数学绘图

  • Tex语法
  • 使用expression()
  • ?plotmath

5.3.5 色彩管理

  • colorRamp 返回01间数值 表示颜色过度
  • colorRampPalette 返回8位颜色代码调色盘
  • colors 返回可用颜色
  • RColorBrewer包 含有预先配色信息 序列 无序 两级
  • rgb产生三原色颜色 alpha 控制透明度
  • 绘图时用col调用调色盘颜色
pal <- colorRamp(c("red", "blue"))
pal(0)
##      [,1] [,2] [,3]
## [1,]  255    0    0
pal(1)
##      [,1] [,2] [,3]
## [1,]    0    0  255
pal(0.5)
##      [,1] [,2] [,3]
## [1,]  128    0  128
#####
pal <- colorRampPalette(c("red", "yellow"))
pal(2)
## [1] "#FF0000" "#FFFF00"
pal(10)
##  [1] "#FF0000" "#FF1C00" "#FF3800" "#FF5500" "#FF7100" "#FF8D00" "#FFAA00"
##  [8] "#FFC600" "#FFE200" "#FFFF00"
#####
library(RColorBrewer)
cols <- brewer.pal(3, "BuGn")

5.4 分层聚类

  • 找到最近的 聚到一起 找下个最近的
  • 给出距离范围与距离计算方法
  • 欧氏距离 多维空间点距 开平方
  • manhattan距离 出租车距离 绝对值
  • 给出变量间或样本间的关系
  • 图形可能不稳定 多少样本多少类
  • 结果是确定的
  • 选定cut点并不明显
  • 应该首先用来探索

5.5 k-means聚类

  • 固定聚类数 给出聚类中心 寻找最近的点 循环
  • 需要聚类数与聚类距离范围
  • 需要大量聚类 通过眼睛 交叉检验
  • k的经验数值\(\sqrt{n/2}\) 或者根据解释的变量变化多少来选取
  • 结果不确定 根据聚类数与迭代次数而变化

5.6 维度还原

  • 找到最不相关的数来解释整体方差(统计)在这些数中选取个数最少的来解释原始数据(压缩)
  • 不一定是真实向量的叠加
  • SVD是PCA的一种解法 UDV三个向量 其中U表示行变化模式 D表示方差 V表示列变换模式 这样有助于解释主成分变化
  • 标准化与否影响结果
  • 计算量大
  • 类似探索分析还有因子分析 独立成分分析 潜在语义分析
  • impute包可补充缺失值