R 中 iris 数据集的完整指南

iris数据集是 R 中的集成数据集，包含 3 个不同物种的 50 朵花的 4 个不同属性（以厘米为单位）的测量值。

本教程以 iris 数据集为例，介绍如何在 R 中探索和总结数据集。

相关： R 中 mtcars 数据集的完整指南

加载鸢尾花数据集

由于iris数据集是R中的内置数据集，我们可以使用以下命令加载它：

 data(iris)

我们可以使用head()函数查看数据集的前六行：

 #view first six rows of iris dataset
head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa

总结 Iris 数据集

我们可以使用summary()函数快速总结数据集中的每个变量：

 #summarize iris dataset
summary(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width   
 Min. :4,300 Min. :2,000 Min. :1,000 Min. :0.100  
 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300  
 Median: 5,800 Median: 3,000 Median: 4,350 Median: 1,300  
 Mean:5.843 Mean:3.057 Mean:3.758 Mean:1.199  
 3rd Qu.:6,400 3rd Qu.:3,300 3rd Qu.:5,100 3rd Qu.:1,800  
 Max. :7,900 Max. :4,400 Max. :6,900 Max. :2,500  
       Species  
 setosa:50  
 versicolor:50  
 virginica :50

对于每个数值变量，我们可以看到以下信息：

• 最小值：最小值。
• 第一个 Qu ：第一个四分位数（第 25 个百分位数）的值。
• 中位数：中值。
• 平均值：平均值。
• 第三曲：第三个四分位数（第 75 个百分位数）的值。
• 最大值：最大值。

对于数据集中唯一的分类变量（物种），我们看到每个值的频率计数：

• setosa ：该物种出现了 50 次。
• 杂色：该物种出现 50 次。
• virginica ：该物种出现了 50 次。

我们可以使用dim()函数获取数据集的行数和列数维度：

 #display rows and columns
dim(iris)

[1] 150 5

我们可以看到数据集有150行和5列。

我们还可以使用names()函数来显示数据框的列名称：

 #display column names
names(iris)

[1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"     

可视化 Iris 数据集

我们还可以创建绘图来可视化数据集的值。

例如，我们可以使用hist()函数创建某个变量值的直方图：

 #create histogram of values for sepal length
hist(iris$Sepal.Length,
     col=' steelblue ',
     main=' Histogram ',
     xlab=' Length ',
     ylab=' Frequency ')

我们还可以使用plot()函数创建任意变量成对组合的散点图：

 #create scatterplot of sepal width vs. sepal length
plot(iris$Sepal.Width, iris$Sepal.Length,
     col=' steelblue ',
     main=' Scatterplot ',
     xlab=' Sepal Width ',
     ylab=' Sepal Length ',
     pch= 19 ) 

我们还可以使用boxplot()函数为每个组创建箱线图：

 #create scatterplot of sepal width vs. sepal length
boxplot(Sepal.Length~Species,
        data=iris,
        main=' Sepal Length by Species ',
        xlab=' Species ',
        ylab=' Sepal Length ',
        col=' steelblue ',
        border=' black ') 

x 轴显示三个物种，y 轴显示每个物种的萼片长度值的分布。

这种类型的图使我们能够快速看出，弗吉尼亚物种的萼片长度往往是最大的，而山桃物种的萼片长度往往是最小的。

其他资源

以下教程更详细地解释了如何在 R 中汇总数据集：

在 R 中创建汇总表的最简单方法
如何在R中计算五个数字的总和