作者：丁點helper

來源：丁點幫你

上篇文章介紹了如何在數據中增加或者刪除變量，但是實際操作中，我們需要從大的數據庫中選取一些變量來分析，那么如何從數據中選取多個變量呢？

從數據庫中選取多個變量

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數據鏈接：

假設原數據庫為rawdata，存儲了某地區人群的上千個健康指標，但現在我們只想提取其中的基本人口和社會經濟特征變量進行分析。

通常來講，可以在數據框后加[ , ]。逗號后是列。

## 提取第一列 rawdata [,1]

但從上千個指標中選出某幾個人口和社會經濟變量，必須知道這些變量在原數據庫中是第幾列，操作必然繁瑣，且容易出錯。

這種情況下，我們可以用下面的code：

newdata <- rawdata[,c('age','gender','ethnicity','education', 'job','marital_status','location','monthly_income'）

定量變量的統計描述

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。

在剛剛整理好的newdata中，我們想了解目標人群的月收入。

首先對數據做個簡單的邏輯核驗，比如月收入一定是大于0的。

另外，還要把缺失值刪掉，當然，這里需要考慮缺失值是否會對統計結果造成影響。

比如通過對未缺失變量的描述，發現缺失的月收入都來自金融行業的樣本，那么用現有數據計算出來的月收入就可能低于實際情況，我們需要回訪、補充數據，或者用相關數據代替。

無論采取何種辦法，或者不采取任何補救辦法，在匯報結果時，都需要說明。

newdata <- newdata[!is.na(newdata$monthly_income),]

定量變量的統計描述，可以用均值和標準差的組合，也可以用中位數和四分位數間距的組合。這取決于數據的分布：

hist(newdata$monthly_income)

一般情況下，收入都是左偏峰分布的，也就是說，大多數人的收入集中在中等水平，隨著月均收入的增加，落在其區間內的人數越來越少。

所以我們要用中位數和四分位數間距的組合來描述月均收入。quantile()這個函數可以輸出最小值、25%分位數、中位數、75%分位數、最大值。IQR()是計算四分位數間距的函數，也可以用75%分位數減去25%分位數計算。

quantile (newdata$monthly_income) ## results 0% 25% 50% 75% 100% 3000 4500 4700 5500 20000 

分組對定量變量做統計描述

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。

不同性別的人群，月收入情況分別是怎樣的呢？aggregate()函數可以實現分組輸出統計結果：

該函數第一個命令是要統計的變量，第二個命令是要分組的變量，第三個命令是統計的方式，也就是用哪個函數對變量做統計。

aggregate(newdata$monthly_income, by=list(newdata$gender),quantile) ## gender=0:female; gender=1: male  ## results  Group.1 x.0% x.25% x.50% x.75% x.100% 1 0 3000 3500 4000 4500 6000 2 1 2000 5000 5500 6600 20000