R语言实战之数据探索视频课程

2-1

识别缺失值通过is.na()和complete.cases函数进行缺失值识别

2-2

探索缺失值模式利用mice包中的md.pattern( )函数进行缺失值模式探索。

2-3

图形探究缺失值模式利用aggr( )、matrixplot( )、scattMiss( )函数进行缺失值模式的可视化探索。

2-4

缺失值处理的常用方法缺失值处理的常用方法:简单删除法、均值插补、利用同类均值插补、极大似然估计等。

2-5

案例演示：行删除、回归模型插补、随机森林插补案例演示：行删除、回归模型插补、随机森林插补

3-1

异常点监测：质量控制图原理介绍异常点监测的前提，质量控制图的定义及使用原理介绍。

3-2

质量控制图R语言实现：转化率P值监控1利用qcc包中的qcc函数实现质量控制图：转化率P值监控1

3-3

质量控制图R语言实现：转化率P值监控2质量控制图R语言实现：转化率P值监控2

3-4

质量控制图R语言实现：单值-均值控制图利用qcc包中的qcc函数实现质量控制图：单值-均值控制图

3-5

异常值检测：boxplot.stats和boxplot函数异常值检测：利用boxplot.stats函数识别异常值，并利用boxplot函数绘制箱线图，直接从图形中识别异常值。

3-6

异常值检测：使用LOF进行异常检测异常值检测：使用LOF进行异常检测

4-1

相关性分析常用方法利用相关性分析计算连续变量之间线性的相关程度的强弱；相关性分析方法主要有:直接绘制散点图矩、绘制散点图矩阵和计算相关系数。

4-2

散点图矩阵利用base包中的plot( )函数、pairs( )函数，car包中的scatterplotMatrix( )函数 ，lattice包中的splom( )函数绘制散点图矩阵。

4-3

求变量间相关系数及显著性检验利用base包中的cor( )函数计算连续变量间的相关系数，并利用cor.test（）函数对相关系数进行显著性检验；利用psych包中的corr.test( )函数计算连续变量间的相关系数及显著性检验。

4-4

相关系数可视化利用corrgram包中的corrgram( )函数，corrplot包中的corrplot( )函数、ellipse包中的plotcorr( )函数对相关系数进行可视化展示。

「仅限付费用户」点击下载“相关性分析视频脚本.txt”