來源：丁點幫你

作者：丁點helper

之前的文章講了如何用R繪制箱形圖，以此來幫助我們了解數據的整體分布情況、是否存在異常值。除此之外，箱形圖還可以進行數據的組間比較。

分組變量的數據清理

多重線性回歸，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡單線性回歸為例在介紹，兩者的差距主要在于自變量X的數量，在只有一個X時，就稱簡單線性回歸。

本次我們用到的是學生的課堂調查數據，包括了性別、年級、專業、身高、最喜歡的動物(講數據清理時用的是這個變量，還記得嗎)等變量。數據名：survey.csv，數據鏈接：

首先導入數據，存入survey這個數據集中：

survey <- read.csv("http://Users//Desktop//survey.csv", 
                     header = TRUE) # 獲取數據中包含的變量名 names(survey)
 [1] "ClassProb" "Status" "Year" "Division" "Gender" "HtCm" "Hand" "Haircut" "Exercise" [10] "Coursework" "Web" "TV" "Social" "Econ" "Animal" "Friends" "Pulse"

接下來我們以Gender作為分組依據，先來看看這個變量的情況。

table(survey$Gender) Choose not to answer Female Gender non-conforming Male 1 1 117 1 118 

我們發現，除了female和male，有的同學回答了Choose not to answer，Gender non-conforming，還有同學什么都沒填，空缺。

今天我們暫時將這三種特殊情況從數據中刪去。

# 查看針對Gender這個變量，同學們有幾類回答 levels(survey$Gender)
[1] "" "Choose not to answer" "Female" "Gender non-conforming" "Male" 

在這五類回答中，我們想保留的是第3、第5類。也就是說，僅保留Gender為"Female" 或 "Male"的記錄。

# 把更新后的數據存儲在survey2這個對象中 survey2 <- survey[survey$Gender %in% levels(survey$Gender)[c(3,5)],]

這里，a %in%b的作用是，用a中的元素去匹配b中的任意元素，如果匹配成功，則返回結果為TRUE，反之，則結果為FALSE。

此時，上面的語句就簡化為如下所示，c()里面是TRUE和FALSE的集合，是a中每個元素與b匹配的結果。

survey2 <- survey[c(),] # 這是為了便于理解寫的簡化語句，不能夠運行的

survey2中僅保留了匹配結果為TRUE的記錄：

table(survey2$Gender) Choose not to answer Female Gender non-conforming Male 0 0 117 0 118 

哎？雖然記錄被刪了，但Gender中之前包含的五個類都還在，用下面的droplevels()這個函數刪掉那些沒有記錄的類。

survey2$Gender <- droplevels(survey2$Gender)
table(survey2$Gender)
Female   Male 
   117    118

繪制整體和各組數據的箱形圖

多重線性回歸，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡單線性回歸為例在介紹，兩者的差距主要在于自變量X的數量，在只有一個X時，就稱簡單線性回歸。

數據清理好之后，我們以身高HtCm這個變量為例，先用之前講過的方法繪制箱形圖，了解改變量的整體分布，然后對比性別之間的身高差異。

boxplot(survey2$HtCm, main="Boxplot of Ht in cm",          col='orange', lwd=2)

一目了然，我們調查的是大學學生，卻出現了身高小于100厘米的情況，不符合常理?，F在去檢查一下原始數據。

sort(survey2$HtCm) # 將身高從小到大排序

部分結果截圖

實際操作中，大家要盡量核實那些極端身高數據的真實情況，修正數據。這里我們為便于教學，直接把那些小于100厘米的身高值記錄為缺失。

然后利用整理后的身高數據繪制箱形圖。

survey2$HtCm[survey2$HtCm < 100 ] <- NA
 boxplot(survey2$HtCm, main="Boxplot of Ht in cm", 
          col='orange', lwd=2)

最后繪制不同性別學生的身高箱形圖。

boxplot(survey2$HtCm~survey2$Gender, 
         main="Boxplot of Ht in cm", 
         col=c(2,3), lwd=2)

由圖可知，男生的身高基本都高于女生。將兩個箱形圖放在一起，可以清晰地看到兩組變量的大致情況，便于給兩組做粗略的比較。

但是這男女生身高到底有沒有統計學上的差異，肉眼是很難得出結論的，統計學上怎么做呢？