eda_anscombe.Rmd

# 探索性数据分析-anscombe数据集 {#eda-anscombe}

```{r, include=FALSE}
knitr::opts_chunk$set(
   echo         = TRUE, 
   warning      = FALSE, 
   message      = FALSE,
   fig.showtext = TRUE
)
```

在可视化章节，我们提到 Anscombe’s quartet这个数据集，
```{r eda-anscombe-1, eval=FALSE}
?datasets::anscombe
```
在其官方文档，我们可看到它是这样描述的：

> Four x-y datasets which have the same traditional statistical properties (mean, variance, correlation, regression line, etc.), yet are quite different.



```{r eda-anscombe-2, message=FALSE, warning=FALSE}
d <- datasets::anscombe
head(d)
```


## 探索anscombe

```{r eda-anscombe-3, message=FALSE, warning=FALSE}
library(tidyverse)
```

本节课的内容，就是用tidyverse的方法去探索下这个数据集：

- 规整数据
- 分组统计
- 建模
- 可视化


## 规整数据

我们再看看数据
```{r eda-anscombe-4}
head(d)
```

实际上，这是四组`(x1, y1), (x2, y2), (x3, y3), (x4, y4)`。那要怎么样规整数据，
或者说怎么样把数据弄成tidy呢。这里有个技巧，你可以想象，数据能`ggplot()`可视化的基本上就是tidy的。

```{r eda-anscombe-5, eval=FALSE}
d %>%
  ggplot(aes(x = x, y = y)) +
  geom_point() +
  facet_wrap(~set)
```

那么，我们希望我们的数据是这样的格式

| set | x  | y    |
|:----|:---|:-----|
| 1   | 10 | 8.04 |
| 1   | 8  | 6.95 |
| ... |    |      |
| 2   | 10 | 9.14 |
| 2   | 8  | 8.14 |
| ... |    |      |



### 小小的回顾

我们之前讲过，数据变形中，**宽表格**变成**长表格**，
需要用到`tidyr::pivot_longer()`函数
```{r eda-anscombe-6, out.width='99%', fig.align='left', echo = F}
knitr::include_graphics("images/pivot.png")
```

比如
```{r eda-anscombe-7}
dt <- tibble(id = c("a", "b"), x_1 = 1:2, x_2 = 3:4, y_1 = 5:6, y_2 = 8:9)
dt
dt %>% pivot_longer(-id,
  names_to = "name",
  values_to = "vaules"
)
```

有时候，我们不想要下划线后面的编号，只想保留前面的第一个字母
```{r eda-anscombe-8}
dt %>% pivot_longer(
  cols = -id,
  names_to = "name",
  names_pattern = "(.)_.",
  values_to = "vaules"
)
```


有时候人的需求是多样的，比如不想要前面的第一个字母，只要下划线后面的编号
```{r eda-anscombe-9}
dt %>% pivot_longer(
  cols = -id,
  names_to = "name",
  names_pattern = "._(.)",
  values_to = "vaules"
)
```


有时候我们都想要呢？
```{r eda-anscombe-10}
dt %>% pivot_longer(
  cols = -id,
  names_to = c("name", "group"),
  names_pattern = "(.)_(.)",
  values_to = "vaules"
)
```


有时候，我们希望`"x", "y"`保留在列名，那么匹配出来的第一个字母，就不能给`"name"`，而是传给特殊的符号`".value"`，它会收集匹配出来的字符，然后放在列名中

```{r eda-anscombe-11}
dt %>% pivot_longer(
  cols = -id,
  names_to = c(".value", "group"),
  names_pattern = "(.)_(.)",
  values_to = "vaules"
)
```
是不是觉得很强大？


### 回到案例

具体来说，我们希望 `x1` 按照指定的正则表达式分成了两个部分 `x`和 `1`，那么`1`放在`set`下，而 `x` 传给了`.value` 当作变型后的**列名**.

```{r eda-anscombe-12, out.width='90%', fig.align='left'}
knitr::include_graphics("images/pivot_longer_values.jpg")
```


那么和上面的情况一样，使用`tidyr::pivot_longer()`函数

```{r eda-anscombe-13}
tidy_d <- d %>%
  pivot_longer(
    cols = everything(),
    names_to = c(".value", "set"),
    names_pattern = "(.)(.)"
  )
tidy_d
```

再啰嗦下参数的含义：

- `cols = everything()` 表示选择所有列
- `names_to = c(".value", "set")`  希望变型后的列名是`c(".value", "set")`, 这里 `".value"` 是个特殊的符号，代表着`names_pattern`匹配过来的值，一般情况下，是多个值，如果传给`".value"`的`"x, y, z"`，那么列名就会变成`c("x", "y", "z", "set")`
-  `names_pattern = "(.)(.)"` 将变换前的**列名**按照指定的**正则表达式**匹配，并且传递给`names_to`的对应的参数，比如这里第一个`(.)`传递给`.value`；第二个`(.)`传递给`set`.





## 统计

数据规整了，统计就很简单了
```{r eda-anscombe-14}
tidy_d_summary <- tidy_d %>%
  group_by(set) %>%
  summarise(across(
    .cols = everything(),
    .fns = lst(mean, sd, var),
    .names = "{col}_{fn}"
  ))
tidy_d_summary
```

## 建模

具体参考第 \@ref(tidyverse-colwise) 章整理的四种方法


```{r eda-anscombe-15, eval=FALSE}
tidy_d %>%
  group_nest(set) %>%
  mutate(
    fit = map(data, ~ lm(y ~ x, data = .x)),
    tidy = map(fit, broom::tidy),
    glance = map(fit, broom::glance)
  ) %>%
  unnest(tidy)
```


感觉大家更喜欢这种
```{r eda-anscombe-16}
tidy_d %>%
  group_by(set) %>%
  group_modify(
    ~ broom::tidy(lm(y ~ x, data = .))
  )
```


```{r eda-anscombe-17}
tidy_d %>%
  group_by(set) %>%
  summarise(
    broom::tidy(lm(y ~ x, data = cur_data()))
  )
```


## 可视化看看

```{r eda-anscombe-18}
tidy_d %>%
  ggplot(aes(x = x, y = y, colour = set)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  theme(legend.position = "none") +
  facet_wrap(~set)
```



```{r eda-anscombe-19, echo = F}
# remove the objects
# rm(list=ls())
rm(d, dt, tidy_d, tidy_d_summary)
```


```{r eda-anscombe-20, echo = F, message = F, warning = F, results = "hide"}
pacman::p_unload(pacman::p_loaded(), character.only = TRUE)
```