大数据分析 - 数据探索

探索性数据分析是由John Tuckey (1977)提出的一个概念，它代表着统计学领域的一种新视角。Tuckey的想法是，在传统的统计学中，数据并没有被图形化地探索，而只是被用来检验假设。第一次尝试开发工具是在斯坦福大学进行的，该项目被称为prim9。该工具能够将数据可视化到九个维度，因此能够提供数据的多元视角。

近年来，探索性数据分析已成为必不可少的一部分，并已纳入大数据分析生命周期。能够找到洞察力并能够在组织中有效地进行沟通的能力，是强大的EDA能力的驱动力。

基于Tuckey的想法，贝尔实验室开发了S编程语言，以便为进行统计提供交互式界面。S的目标是提供具有易于使用的语言的广泛图形功能。在当今大数据环境下，基于S编程语言的R是目前最流行的分析软件。

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文件中找到。

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)

代码应该生成如下所示的图像：