数据预处理的主要步骤之 str、 summary、 dim等等

数据预处理是数据科学工作流中的重要环节。通过数据清洗、数据集成、数据变换和数据规约等步骤，可以显著提高数据质量，为后续的分析和建模提供坚实基础。在实际应用中，结合具体数据的特点和分析目标，选择合适的数据预处理方法，可以有效提升模型的准确性和稳定性。

临床数据科学和人工智能兴趣组

936人浏览 · 2025-03-22 10:27:22

临床数据科学和人工智能兴趣组 · 2025-03-22 10:27:22 发布

下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文6676字）。

4章1节：全面了解 R 中的数据预处理，通过 R 基础函数实施数据查阅_r数据预处理-CSDN博客

数据预处理是数据科学工作流中的重要环节。通过数据清洗、数据集成、数据变换和数据规约等步骤，可以显著提高数据质量，为后续的分析和建模提供坚实基础。在实际应用中，结合具体数据的特点和分析目标，选择合适的数据预处理方法，可以有效提升模型的准确性和稳定性。

一、数据预处理

二、数据预处理的主要步骤

1、数据查阅

2、数据清洗

3、数据变换

4、数据精简

三、查看数据结构

3、使用 `str()` 函数

str()函数用于紧凑地显示数据集的内部结构。它提供了数据集的类型、每个变量的类型和前几个值。这有助于我们快速了解数据的基本信息。

例如，查看iris数据集的结构：

str(iris)

输出结果：

'data.frame':	150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

我们可以看到，iris 数据集是一个 data.frame，它包含了 150 个观测样本（行）和 5 个变量（列）。每个变量都有其特定的类型和相应的前几个值。例如，Sepal.Length 属于数值型变量（num），而 Species 则是因子型变量（Factor），并且具有 3 个因子水平。

4、使用 `summary()` 函数

summary()函数提供了数据集的描述性统计量，包括最小值、最大值、四分位数、中位数、均值等。对于因子变量，它还提供了频数统计。这些信息对于初步了解数据的分布和特征非常有用。

例如，查看iris数据集的描述性统计量：

summary(iris)

输出结果：

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300  
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
       Species  
 setosa    :50  
 versicolor:50  
 virginica :50

从结果中，我们可以看到每个变量的基本统计信息。例如，Sepal.Length的最小值是4.3，最大值是7.9，平均值是5.843，中位数是5.8。对于Species因子变量，它包含3个水平，每个水平有50个样本，等等信息。

数据预处理的主要步骤之 str、 summary、 dim等等

临床数据科学和人工智能兴趣组

一、数据预处理

二、数据预处理的主要步骤

1、数据查阅

2、数据清洗

3、数据变换

4、数据精简

三、查看数据结构

3、使用 str() 函数

4、使用 summary() 函数

5、使用 dim() 和 nrow() / ncol() 函数

6、使用 names() 和 colnames() / rownames() 函数

《用 R 探索医药数据科学》专栏目录

专栏问答

第一章：认识数据科学和R

第二章：R的安装和数据读取

第三章：认识数据

第四章：数据的预处理

第五章：定量数据的统计描述

第六章：定性数据的统计描述

第七章：R的传统绘图

第八章：R的进阶绘图

第九章：临床试验的统计

第十章：Meta分析攻略

第十一章：主成分分析

第十二章：常见类型回归分析

第十三章：生存分析模型

第十四章：匹配技术应用

第十五章：判别和聚类分析

第十六章：机器学习入门

第十七章：文献计量学

第十八章：时间序列分析

第十九章：NHANES数据库

第二十章：gglot2扩张包

第二十一章：三维图形可视化

第二十二章：文档和课件输出

第二十三章：抽样与重抽样技术

所有评论(0)

临床数据科学和人工智能兴趣组

3、使用 `str()` 函数

4、使用 `summary()` 函数

5、使用 `dim()` 和 `nrow()` / `ncol()` 函数

6、使用 `names()` 和 `colnames()` / `rownames()` 函数