由菜鳥到進行簡單的數據分析是怎樣的一種體驗

李笑來老實說：教是最好的學，把自己剛剛學到的複述一遍講出來能達到最好的學習效果。剛剛預習看完《R語言實戰》的第三，四章內容：簡單圖形處理與基本的數據處理，知識點很多，看完印象並不深刻。從實踐中通過解決問題來加深知識點的理解，接下來直接上手分析醫院銷售數據，並進行初步的數據分析。

任務一：處理某醫院2016年銷售數據

任務二：畫出每周消費曲線圖

任務三：進行簡單的業務數據分析

任務分解：

先安2個包。這是R的特色，裡邊有各式各樣的包，每個包里有不同的函數來處理數據結構，就跟玩CS裡邊的裝備包一樣，不同的包里有不同的武器。

> install.packages("openxlsx")n> library("openxlsx")n> install.packages("stringr")n> library(stringr)n> readFilePath <- "f:/大數據/朝陽醫院2016年銷售數據.xlsx"n> excelData <- read.xlsx(readFilePath,"Sheet1")n> excelData n

注意，這裡邊「Sheet」的首字母要大寫，否則報錯

運行結果：

數據量太大，這只是部分截圖

《R語言實戰》的作者Robert I. Kabacoff在書中說：「數據是一件麻煩事——一件非常非常 麻煩的事。在我的工作中，有多達60%的數據分析時間都花在了實際分析前數據的準備上。」足以說明數據的預處理在數據分析中的重要性和複雜性。我的理解就是將它比喻成做菜前的準備工作，包括洗菜，理菜，切菜等。可能不太恰當，不過便於理解。

第一步：列名重命名

將列表的中文名稱重命名成英文名稱，便於使用函數運算

> names(excelData) <- c("time","cardID", "drugID","drugName","saleNum","virtualmoney","actualmoney")n

第二步：刪除缺失數據

Excel表格中的某些數據存在缺失不全的情況，實際的處理過程中要將這些缺失的數據刪除才能便於後期處理。可以先使用is.na()對數據框中判斷銷售數據框中哪些是缺失值（NA），然後用邏輯非（！X）來挑選出非缺失值，也就是有用數據。

> excelData <- excelData[!is.na(excelData$time),]n

注意：方括弧中的逗號表示對數據框的行進行操作，逗號左邊是行，不能省略。

第三步：處理日期

在《R語言實戰》中的4.6節講到「日期值通常以字元串的形式輸入到R中，然後轉化為以數值形式存儲的日期變數」，在截圖中可以看到列表中的日期（time）是「2016-01-01 星期五」，而實際上我們並不需要「星期五」這個數據,所以要把這行字元串拆分成「2016-01-01」，「星期五」兩行，並返回成矩陣格式。

教程中用到了字元串分割函數 str_split_fixed()，在《R語言實戰》當中並沒有給出這是函數怎麼用的，只好谷歌，終於搞清楚了這個函數是幹嘛用的。這裡我參照了Learn R專欄文章裡邊的講解@Jason 。更多關於stringr包的字元串處理函數可以參照這裡：stringr包的字元串處理函數合集

> timeSplit <- str_split_fixed(excelData$time, " ",2)n> excelData$time <-timeSplit[,1]n

運行結果：

將日期的字元串類型轉換成數值型的格式，採用as.Date()函數

> excelData$time <- as.Date(excelData$time, "%Y-%m-%d")n

運行結果：

第四步：數據類型轉換

將列表中的銷售金額，應收金額，實收金額轉換為數值型變數.由於列表中的各項金額是字元型變數，無法進行後續的排序操作，所以要先將以上變數轉為數值型變數，這裡用到as.numeric()函數

> excelData$saleNumber <- as.numeric(excelData$saleNumber)n> excelData$virtualmoney <- as.numeric(excelData$virtualmoney)n> excelData$actualmoney <- as.numeric(excelData$actualmoney)n

第五步：數據排序

將銷售時間對數據進行升序排序

> excelData <- excelData[order(excelData$time, decreasing = FALSE),]n

到這裡數據預處理結束（洗完菜了，接下來炒菜）

• 計算患者月均消費次數
• 計算患者月均消費金額
• 計算客單價
• 數據可視化（將分析指標用圖表呈現出來）

第一步：月均消費次數

• 患者月均消費次數 = 總消費次數 / 總月份數
• 總消費次數 = 列表總行數
• 總月份數 = 總天數 / 30(天/月)
• 總天數 = 行尾時間 - 行首時間

kpi1 <- excelData[!duplicated(excelData[,c("time","cardno")] ),]n

因為統計的是月平均消費次數，所以同一個人同一天多次購買只算做一次，將將重複的時間和社保卡號刪除，保留在kpi1數組中。總消費次數就是列表中的行數，所以用nrow()函數統計行數就行了。

consumeNumber <- nrow(kpi1) #總消費次數nendTime <- kpi1$time[nrow(kpi1)] #行尾時間nstartTime <- kpi1$time[1] #行首時間nday <- as.numeric(endTime -startTime) #總天數 = 行尾時間 - 行首時間nmonth <- day %/% 30 #總月份數nmonthConsume <- consumeNumber / month #月均消費次數nmonthConsume <- format(round(monthConsume, 2), nsmall = 2) #輸出指定格式（保留2位小數的數值）n

輸出結果：

關於format()函數在Stack Overflow網站上找到了註解

第二步：月均消費金額

患者月均消費金額 = 總消費金額 / 總月份數

totalMoney <- sum(excelData$actualmoney,na.rm=TRUE) #總金額nnmonthMoney <- totalMoney / month #月均消費金額n

註：代碼中的na.rm()函數是處理列表中的缺失值，在《R語言實戰》中的「4.5.2 在分析中排除缺失值 」中有詳細介紹，見下圖：

第三步：計算客單價

計算客單價（平均每位顧客在買葯上花費多少金額） = 總消費金額 / 顧客總人數

pct <- totalMoney / consumeNumber #客單價nnpct <- format(round(pct, 2), nsmall = 2) #結果保留2位小數n

不要著急，還有最後一步···········

第四步：分析消費趨勢

思路：

• 列出每周消費金額
• 計算出共有多少周
• 列出 周數

要求以每周顧客的消費金額來分析消費趨勢，需要用到tapply（）函數進行分類

tapply(x,f,g) x為向量，f為因子列，g為操作函數，即x向量根據f的條件來進行g函數的運算。

week <- tapply(excelData$actualmoney, format(excelData$time, "%Y-%U"), sum) #將列表中實際消費金額以「年份- 第幾周」的形式算出周消費金額 "%Y-%U"表示：年份-第幾周n

運行結果

tapply的結果是一個二維數組，如果要進行繪圖的話需要將數組轉化為數據框

week <- as.data.frame.table(week)n

運行結果：

在結果中看到了表頭出現了「Var1」和「Freq」兩組默認的列名。因此需要將列名重命名

names(week) <- c("time","actualmoney")n

這裡要在列表後添加一個周數統計欄，所以先將（年份-第幾周）這一欄轉為字元串類型，並用nrow()計算行數，最後以向量形式賦值給周數統計表

week$time <- as.character(week$time)nweek$timeNumber <- c(1:nrow(week))n

最後的week數據框是這樣的

好了，終於到了激動人心的數據可視化階段，先來調整圖表參數

plot(week$timeNumber, week$actualmoney,n xlab="時間（年份-第幾周）",n ylab="消費金額", n xaxt = "n", #禁用x軸刻度n main= "2016年朝陽醫院消費曲線", n col="blue",n type="b")naxis(1,at=week$timeNumber, labels=week$time, cex.axis = 1.5) #設置x軸坐標軸n

運行結果:

大功告成，完成了一個簡單的數據分析，花費了將近1周的時間，有幾點感悟

• 按照給定的源代碼敲上去運行出來並不難，關鍵是要弄懂為什麼要敲這行代碼，也就是最核心的分析思維是什麼？實現的過程是什麼？每個調用的函數功能是什麼？
• 看代碼也需要隻字不差，不懂得要一個個搞懂，回過去看《R語言實戰》的內容，沒有的翻牆用Google搜索，嘗試著把每一行代碼弄清楚。
• 要有足夠的耐心，剛開始慢，往後就快了，代碼敲上去明明一樣，為什麼運行錯誤？回去一遍遍試了才知道，也許是中英文半形符號、大小寫、用戶名文件是中文，沒有將每一步結果輸出等等。各種坑，踩一遍，改過來下次不再犯，然後錯誤越來越少。

推薦閱讀：