sapply( )函数

r语言中summary()函数提供了最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑性向量的频数统计（之前的文章中以及提及）

sapply(x, FUN, options)函数中x是选择的数据框（矩阵），fun为任意的函数，后边可选项

来看一个栗子吧

mystats<-function(x,na.omit=FALSE){   #定义一个函数，其中自变量为x,这里选择不忽视缺失值；

 if(na.omit)

    x<-x[!is.na(x)]   #比如说x=c(2,NA,4)，执行这一段代码之后，结果就是x=c(2,4);

    m<-mean(x)     #x的均值

    n<-length(x)    #长度

    s<-sd(x)         #标准差

    skew<-sum((x-m)^3/s^3)/n    #峰度值

    kurt<-sum((x-m)^4/s^4)/n      #偏度值

   return(c(n=n,mean=m,stdev=s,skew=skew,kurtosis=kurt))   #返回值

 }

myvars<- c("mpg","hp","wt")     #以字符形式输出

 sapply(mtcars[myvars],mystats)    #第一个变量为数据，第二个内容为暂定的函数

*输出的结果如下所示：

              mpg          hp        wt

n        32.000000  32.0000000 32.0000000

mean    20.090625 146.6875000  3.2172500

stdev    6.026948  68.5628685  0.9784574

skew      0.610655  0.7260237  0.4231465

kurtosis  2.627234  2.8644489  2.9772892

---

describe( )函数

hmisc包中的describe( )函数课返回变量和观测的数量、缺失值和唯一值的数目、平均值、分位数，以及5个最大值和5个最小值。

来看一个栗子吧

温馨提示：这里需要大家安装packages，如有需要，请访问https://cran.r-project.org/，然后按照需要进行安装。

安装格式 install.pachages("包名称")，建议大家将下载的包直接放入R的library中，这是需要建立关联的，便于管理和调用。

调用的时候，使用 library(包名称) 即可

 library(Hmisc)

myvars<- c("mpg","hp","wt")

describe(mtcars[myvars])

mtcars[myvars]  #输出结果，如下图：

描述函数结果

---

pastecs包（需要安装奥）中有一个名为stat.desc()的函数，它可以计算种类繁多的描述性统计量，格式为：

stat.desc(x, basic=TRUE,desc=TRUE,norm=FALSE, P=0.95) #一般默认相关的设置就行，重点是写入变量x；

stat.desc()只要描述的数据框或者时间序列的所有值、空值、缺失值的数量，以及最小值、最大值、值域，还有总和。同时还包括均值、中位数、标准误、平均数值信度为95%的置信区间、方差、标准差以及变异系数等。

来看一个栗子吧

 library(pastecs)

 myvars <- c("mpg","hp","wt")

 stat.desc(mtcars[myvars])

                    mpg          hp          wt

nbr.val      32.0000000  32.0000000  32.0000000

nbr.null      0.0000000    0.0000000  0.0000000

nbr.na        0.0000000    0.0000000  0.0000000

min          10.4000000  52.0000000  1.5130000

max          33.9000000  335.0000000  5.4240000

range        23.5000000  283.0000000  3.9110000

sum          642.9000000 4694.0000000 102.9520000

median        19.2000000  123.0000000  3.3250000

mean          20.0906250  146.6875000  3.2172500

SE.mean        1.0654240  12.1203173  0.1729685

CI.mean.0.95  2.1729465  24.7195501  0.3527715

var          36.3241028 4700.8669355  0.9573790

std.dev        6.0269481  68.5628685  0.9784574

coef.var      0.2999881    0.4674077  0.3041285

---

朋友们，除了上述的描述方法外，还有psych包中的describe()函数也是可以的，有兴趣的可以尝试下奥！O(∩_∩)O哈哈~