(1) 对数据提出问题。
(2) 对数据进行可视化、转换和建模，进而找出问题的答案。
(3) 使用上一个步骤的结果来精炼问题，并提出新问题。
确定变量是分类变量还是连续变量，要想检查分类变量的分布，可以使用条形图：
条形的高度表示每个 x 值中观测的数量，可以使用 dplyr::count() 手动计算出这些值：
要想检查连续变量的分布，可以使用直方图：
可以通过 dplyr::count() 和 ggplot2::cut_width() 函数的组合来手动计算结果. binwidth 参数来设定直方图中的间隔的宽度，该参数是用 x 轴变量的单位来度量的。
在同一张图上叠加多个直方图, 用geom_freqploy()代替geom_histogram()，用折线表示。
相似值聚集形成的簇表示数据中存在子组。
coord_cartesian() 函数中有一个用于放大 x 轴的 xlim() 参数。 ggplot2 中也有功能稍有区
别的 xlim() 和 ylim() 函数：它们会忽略溢出坐标轴范围的那些数据。
如果带有异常值和不带异常值的数据分别进行分析，结果差别较大的话要找出异常值的原因，如果差别不大，可以用NA代替。
5.3.4 练习
(1)研究 x、 y 和 z 变量在 diamonds 数据集中的分布。你能发现什么？思考一下，对于一条
钻石数据，如何确定表示长、宽和高的变量？
(2)研究 price 的分布，你能发现不寻常或令人惊奇的事情吗？（提示：仔细考虑一下
binwidth 参数，并确定试验了足够多的取值。）
(3) 0.99 克拉的钻石有多少？ 1 克拉的钻石有多少？造成这种区别的原因是什么？
(4)比较并对比 coord_cartesina() 和 xlim()/ylim() 在放大直方图时的功能。如果不设置
binwidth 参数，会发生什么情况？如果将直方图放大到只显示一半的条形，那么又会发
生什么情况？
数据中有异常值，可以将异常值去掉：
一般不建议去掉，建议使用缺失值来代替异常值。
ifelse函数参数1放入逻辑判断，如果为T，结果就是第二个参数的值，如果为F，就是第三个参数的值。
ggplot2会忽略缺失值：
练习
(1) 直方图如何处理缺失值？条形图如何处理缺失值？为什么会有这种区别？
(2) na.rm = TRUE 在 mean() 和 sum() 函数中的作用是什么？
移除缺失值再进行统计
按分类变量的分组显示连续变量分布的另一种方式是使用箱线图
练习
(1) 前面对比了已取消航班和未取消航班的出发时间，使用学习到的知识对这个对比的可视
化结果进行改善。
(2) 在钻石数据集中，哪个变量对于预测钻石的价格最重要？这个变量与切割质量的关系是
怎样的？为什么这两个变量的关系组合会导致质量更差的钻石价格更高呢？
(3) 安装 ggstance 包，并创建一个横向箱线图。这种方法与使用 coord_flip() 函数有何区别？
(4) 箱线图存在的问题是，在小数据集时代开发而成，对于现在的大数据集会显示出数量极
其庞大的异常值。解决这个问题的一种方法是使用字母价值图。安装 lvplot 包，并尝试
使用 geom_lv() 函数来显示价格基于切割质量的分布。你能发现什么问题？如何解释这
种图形？
(5) 比较并对比 geom_violin()、分面的 geom_histogram() 和着色的 geom_freqploy()。每种方法的优缺点是什么？
(6) 对于小数据集，如果要观察连续变量和分类变量间的关系，有时使用 geom_jitter() 函数是特别有用的。 ggbeeswarm 包提供了和 geom_jitter()相似的一些方法。列出这些方法
并简单描述每种方法的作用。
两个分类变量的关系肯定要先计数，可以用geom_count()函数
d3heatmap 或 heatmaply 包可以生成交互式图
练习
(1) 如何调整 count 数据，使其能更清楚地表示出切割质量在颜色间的分布，或者颜色在切
割质量间的分布？
(2) 使用 geom_tile() 函数结合 dplyr来探索平均航班延误数量是如何随着目的地和月份的
变化而变化的。为什么这张图难以阅读？如何改进？
(3) 为什么在以上示例中使用 aes(x = color, y = cut) 要比 aes(x = cut, y = color) 更好？
连续变量之间的关系一般用散点图来表示。geom_point()
对于大数据集，为了避免重合，可以用geom_bin2d() 和 geom_hex()函数将坐标平面分为二维分箱，并使用一种填充颜色表示落入
每个分箱的数据点。
另一种方式是对一个连续变量进行分箱，因此这个连续变量的作用就相当于分类变量。
cut_width(x, width) 函数将 x 变量分成宽度为 width 的分箱。参数 varwidth = TRUE 让箱线图的宽度与观测数量成正比。
cut_number() 函数近似地显示每个分箱中的数据点的数量
练习
(1) 除了使用箱线图对条件分布进行摘要统计，你还可以使用频率多边形图。使用 cut_
width() 函数或 cut_number() 函数时需要考虑什么问题？这对 carat 和 price 的二维分
布的可视化表示有什么影响？
(2) 按照 price 分类对 carat 的分布进行可视化表示。
(3) 比较特别大的钻石和比较小的钻石的价格分布。结果符合预期吗？还是出乎意料？
(4) 组合使用你学习到的两种技术，对 cut、 carat 和 price 的组合分布进行可视化表示。
(5) 二维图形可以显示一维图形中看不到的离群点。例如，以下图形中的有些点具有异常的
x 值和 y 值组合，这使得这些点成为了离群点，即使这些点的 x 值和 y 值在单独检验时
似乎是正常的。
ggplot(data = diamonds) +
geom_point(mapping = aes(x = x, y = y)) +
coord_cartesian(xlim = c(4, 11), ylim = c(4, 11))
数据中的模式提供了关系线索,用于探索两个变量的相关性。
模型是用于从数据中抽取模式的一种工具。
残差（预测值和实际值之间的差别）
阅读推荐：
生信技能树公益视频合辑：学习顺序是linux，r，软件安装，geo，小技巧，ngs组学！
B站链接： https://m.bilibili.com/space/338686099
YouTube链接： https://m.youtube.com/channel/UC67sImqK7V8tSWHMG8azIVA/playlists
生信工程师入门最佳指南： https://mp.weixin.qq.com/s/vaX4ttaLIa19MefD86WfUA
今天我们将通过一个例子来说明如何分析两个定类变量。
文章背景：我们想研究CFPS2010和CFPS2012青少年对自身的职业期望。
如表1，我们将原始的职业期望编码整合成9类（职业编码的大类）和其他。由于我们想分析同一个人在跨轮次调查中职业期望的稳定性情况，故将分析对象定义为在CFPS2010和CFPS2012中都回答了自己对自己职业期望的受访者。如表2所示，进行重编码后的数据是宽数据，样本量是1920，数据集名字为expect。我们在进行后续分析时，要将其转换为绘图所需的其他形式。
⭐分析方式1——列联表、频数与频率
在表3中，我们展示了2010与2012年青少年职业期望的交叉统计情况。同时该表内，也附上了频数（落在各类别中的数据个数）、⽐例（某⼀类别数据占全部数据的⽐值）、百分⽐（将对⽐的基数作为100⽽计算的⽐值，包括百分比、行百分比和列百分比）。
⭐分析方式2——统计图表
分析前色彩讲解：预设渐变色，我们这里介绍2个色彩包。
1）专门生产系列颜色的RColorBrewer包，详见图1中的系列颜色。
library(RColorBrewer)
display.brewer.all()
2）色盲友好的配色方案viridis包，详见图2中的系列颜色。
library(viridis)
?viridis()#可以看到更多对这组包色彩的说明
接下来我们来画图吧~【注：图3-图6中的类目数字的含义：1）国家机关、党群组织、企业、事业单位负责人；2）医生；3）教师；4）专业技术人员（刨除教师和医生）；5）办事人员和有关人员；6）商业、服务业人员；7）农、林、牧、渔、水利业生产人员；8）生产、运输设备操作人员及有关人员；9）军人；10）其他。】
