《Head First Data Analysis》
19/3/30-3/31
完结散花ヾ(๑╹◡╹)ﾉ"
（一）加载数据至R程序
- 由于不知名原因书上的source(“http://…/hfda.R”)没用。因而只能用read.csv函数代替。
- step one：employees <- read.csv(“path”, header=TRUE)将csv文件载入R
- step two：hist(employees$received, breaks=50)画出直方图，如下
- sd(employees$received)：sd指令返回指定数据范围的标准偏差
- [注]hist中加入限制条件：hist(employees$received[employees$year == 2019], breaks = 50)，仅选择2019年的数据
（二）回归
6. 问：什么时候使用散点图？答：散点图从多方面展现数据特点，只要数据涉及两种变量，就该考虑散点图。
7. step one：plot(employees$requested[employees$negotiated == TRUE], employees$received[employees$negotiated == TRUE])：画出散点图
8. step two：cor(employees$requested[employees$negotiated == TRUE], employees$received[employees$negotiated == TRUE])：求出相关系数（回归线的斜率）
9. step three：使用如下命令求出回归线方程：
myLm <- lm (received[negotiated == TRUE]~ requested[negotiated == TRUE], data=employees)
myLm$coefficient
10. 但是问题来了，如上图所示当requested大于9%左右时，误差太大。这会导致机会误差过大。（机会误差：实际结果与预测结果之间的偏差），所以我们需要定理地指定误差，以给用户一个可接受预测范围。这时候就需要一个统计值，通过它体现出典型的点相对于回归线的平均偏移量。
有了回归线的均方根误差Residual standard error，就能告诉用户实际结果与典型预测结果之间可能有多大差距。
首先在R中创建myLm对象，
myLm <- lm (received[negotiated == TRUE]~ requested[negotiated == TRUE], data=employees)
接着使用summary(myLm)$sigma命令查看均方根误差。（可以用summary(myLm)查出所以想要信息）
（三）关系数据库
11. 就像自然连接一样把所有需要的表导入至一个excel表中
12. 用COUNTIF()计数：e.g.：
=COUNTIF(hfda_articles.csv!B:B, hfda_issues.csv!A2)
13. 用SUMIF()求和：e.g.：
=SUMIF(hfda_sales.csv!B:B, hfda_issues.csv!A2, hfda_sales.csv!C:C)
第一个自变量读取期刊（取出issueID）；第二个自变量读取你希望计算其销量的特定期刊；第三个自变量指向你希望汇总的实际销量；
（四）散点图集合
>library(lattice)
>xyplot(webHits~commentCount|authorName, data=articleHitsComments)
（五）整理数据
14. 例：将#号作为分隔符
step one：选择A列数据，在“数据”选项卡下选择“分列”按钮；
step two：
over(～￣▽￣)～
-
例：替换^字符（去掉它）
新建一列H（保护原始数据） ，函数
=SUBSTITUTE(B2,"^","")
overヽ(￣▽￣)ﾉ -
例：排序，去重，去除异常字符
step one：运行正则表达式去除异常字符：
NewLastName <- sub("\\(.*\\)", “”, hfhh$LastName)
反斜杠为退出符，告诉R括号本身不是R表达式。句号代表任何字符。星号代表任何数目前面的字符。step two：排序
hfhhSorted <- hfhh[order(hfhh$PersonID),]step three：去重
（1）创建一个新框架，显示唯一出现的记录：
hfhhNameOnly <- hfhhSorted（2）删除CallID和Time域，这些域使名字重复出现，而客户不需要这些域：
hfhhNameOnly$CallID <- NULL
hfhhNameOnly$Time <- NULL（3） 使用unique函数删除重复的名称：
hfhhNameOnly <- unique(hfhhNameOnly)（4） 写入新csv文件：
write.csv(hfhhNameOnly, file="…csv")