简述
Exploratory data analysis是由 John Tuckey (1977) 提出的一个概念，它包含一个新的统计视角。Tuckey 的想法是，在传统统计中，数据并没有被图形化地探索，只是被用来检验假设。开发工具的第一次尝试是在斯坦福完成的，该项目称为
prim9。该工具能够在九个维度上可视化数据，因此它能够提供数据的多变量视角。
最近几天，探索性数据分析是必须的，并且已包含在大数据分析的生命周期中。强大的 EDA 能力推动了发现洞察力并能够在组织中进行有效沟通的能力。
基于 Tuckey 的想法，贝尔实验室开发了S programming language为了提供一个用于统计的交互式界面。S 的想法是通过易于使用的语言提供广泛的图形功能。在当今世界，在大数据的背景下，R这是基于S编程语言是最流行的分析软件。
以下程序演示了探索性数据分析的使用。
以下是探索性数据分析的示例。此代码也可在part1/eda/exploratory_data_analysis.R文件。
library(nycflights13)
library(ggplot2)
library(data.table)
library(reshape2)
# Using the code from the previous section
# This computes the mean arrival and departure delays by carrier.
DT <- as.data.table(flights)
mean2 = DT[, list(mean_departure_delay = mean(dep_delay, na.rm = TRUE),
mean_arrival_delay = mean(arr_delay, na.rm = TRUE)),
by = carrier]
# In order to plot data in R usign ggplot, it is normally needed to reshape the data
# We want to have the data in long format for plotting with ggplot
dt = melt(mean2, id.vars = ’carrier’)
# Take a look at the first rows
print(head(dt))
# Take a look at the help for ?geom_point and geom_line to find similar examples
# Here we take the carrier code as the x axis
# the value from the dt data.table goes in the y axis
# The variable column represents the color
p = ggplot(dt, aes(x = carrier, y = value, color = variable, group = variable)) +
geom_point() + # Plots points
geom_line() + # Plots lines
theme_bw() + # Uses a white background
labs(list(title = 'Mean arrival and departure delay by carrier',
x = 'Carrier', y = 'Mean delay'))
print(p)
# Save the plot to disk
ggsave('mean_delay_by_carrier.png', p,
width = 10.4, height = 5.07)
代码应生成如下图像 -
