基本解释性数据分析简介

我们所运用的数据样本，是美国交通运输部关于飞机准点到达率的统计。

世界上每天都有数以千计的航班在全球飞行，对于航班数据的分析不但能够帮助机场优化航班管理，同时也能调整航班班次，让用户享受到更准时舒适的航班。在此，我们提供一份航班数据供大家学习分析。

我们将结合R语言对于数据进行样例分析。^[7]

由于数据样本量比较庞大，我们仅选取其中的一部分进行分析，以旧金山的飞机准点率作为样本进行分析。

首先我们需要导入数据并且读取数据（图2-8）。

图2-8　旧金山飞机时间相关源数据读入代码

我们可以看到这组数据中包括了许多飞机在旧金山机场的信息，那么这个机场的航班有多少准点率，又有多少航班被延误甚至取消呢？首先让我们来研究一下“DepDelay”这一列，我们该如何研究这些数据呢？又能呈现哪些可视化？（图2-9）

图2-9　与飞机时间相关源数据读入代码

在这里我们要注意的是“NA”，让我们列出在这一组数据中所有的NA（图2-10）。

图2-10　列出数据中所有的NA代码

因此，NA所对应的航班就是已取消的。（Cancelled＝1）

在完成数据的基本处理之后，我们将选择适当的图表进行数据展示（如图2-11数据绘图）。

图2-11　选择性数据代码展示

首先，让我们来画一下有关飞机延误的柱状图，见图2-12。

图2-12　旧金山飞机延误的相关源数据柱状图

从这个柱状图里面你能看出什么？

你觉得在这里的中位数和平均值有多少代表性？它们的区别又是什么？

（1）移除一些数据的影响

那些在数据表中的NA在图中是怎么显示的？如果它并没有在图中表现出来，那么这对于柱状图又意味着什么？

在这种情况下，可以添加一些“假”数据，来让它呈现在图上（图2-13，图2-14）。

图2-13　旧金山飞机时间相关源数据矫正代码

图2-14　旧金山飞机时间相关源数据柱状图

（2）构建一个柱状图

我们应该如何构建柱状图？从实用性上面来说，柱状图大多都是根据数据的范围，把它们平均地分成K个间隔，我们把它称之为(www.xing528.com)

b1≤b2≤…≤b K，

然后我们再数每个柱形当中的观测值。

（3）关于柱状图的间隔

在如图2-15例子中，我们对同一组数据做不同间隔的柱状图（图2-16）。

图2-15　旧金山飞机时间相关源数据柱状图代码

图2-16　旧金山飞机时间相关源数据柱状图3例

（a）默认间隔　（b）间隔＝100　（c）间隔＝1 000

哪个柱状图看上去更合理，应该如何选择间隔（breaks）？

（4）箱形图

箱形图是一种非常有用的可视化工具。它和柱状图在某种方面有相似之处，都是明显地显示出数据的分布。但是，对于分布来说，箱形图是一种很简化的分布。它只是用一个盒子来表示数据，它的极限分别是0.25和0.75（25%和75%），在箱形图中间的一条黑线则是它的中位数。并且箱形图对于表示出异常值也非常有用（图2-17，图2-18）。

图2-17　旧金山飞机时间相关源数据箱形图代码

图2-18　旧金山飞机时间相关箱形图

最上方的小圆点被称为“异常值”，在这里我们不去细究。在这个样本里面我们可以看到很多在样本范围之外的值，这并不是说这些值是“错误的”。

看到这里你一定会想，为什么我会选择这样一个比较有限制的可视化来做介绍，首先，箱形图强调的是分布的不同，它能很清晰、方便地表现出主要数据的大致分布，以及大致的异常值分布。

进一步来说，由于它的简便性，我们能够更容易地通过几组箱形图放在一起来作分析（图2-19，图2-20）。

图2-19　旧金山飞机时间相关源数据多组箱形图代码

图2-20　旧金山飞机时间相关多组箱形图—航空公司区分

注：AA—美国航空；AS—阿拉斯加航空；B6—捷蓝航空；DL—达美航空；F9—美国边疆航空；HA—夏威夷航空。

如果要用柱状图去呈现这种可视化是很难的，在图2-20中我们要注意的是，其中的异常值已经影响到我们所做的可视化效果，因此我将把它掩盖（mask）掉（图2-21，图2-22）。

图2-21　旧金山飞机时间相关源数据多组箱形图（无详细散点）代码

图2-22　旧金山飞机时间相关多组箱形图—航空公司区分（无详细散点）

注：在源码上与“有散点的箱形图”的区别在于关闭了outline的赋值即采用了outline＝false。