数值描述性分析
内容提要
本文介绍用R对birthwt数据集进行数值描述性分析：先将low、race、smoke等分类变量转为因子，用summary()和epiDisplay包的summ()查看统计量；对age、lwt、bwt等连续变量计算均值、标准差、偏度、峰度，并按smoke、race分组，可通过aggregate()、tapply()、describeBy()或dplyr的group_by()与summarise()实现。
延伸解读
分类变量因子化的重要性
在分析前将low、race、smoke等分类变量转换为因子，不仅使summary()输出频数表，还能在后续分组统计中正确识别类别。但需注意，epiDisplay包的summ()函数对因子变量会将其各水平视为数值计算统计量，可能导致误导性结果，因此使用该函数时应避免直接分析因子变量。
连续变量分布形态的评估
除了均值和标准差，偏度和峰度能揭示数据的分布形状。基础R不提供这些统计量，但可通过psych包的describe()函数获得。对于age、lwt、bwt等连续变量，检查偏度和峰度有助于判断是否近似正态分布，从而决定后续分析是否适用参数方法。
分组统计方法的选择与比较
R提供了多种分组计算统计量的方式：aggregate()和tapply()来自基础包，describeBy()来自psych包，而dplyr的group_by()与summarise()最为灵活。aggregate()的by参数需用list指定分组变量，且可同时按多个变量分组；tapply()一次只能处理一个变量；dplyr方法则能清晰简洁地计算任意统计量。
探索性数据分析的实用技巧
使用summ()函数按分组变量输出有序点图，能直观展示数值变量的集中趋势和异常值。对于birthwt数据，按smoke分组观察bwt的分布，可快速发现吸烟组的新生儿体重均值较低（2771.9 vs 3055.7），但需注意这仅为描述性结果，不能直接推断因果关系。
Q&A
在R中对birthwt数据集进行数值描述性分析前，需要做哪些数据预处理？
需要将分类变量low、race、smoke、ht、ui转换为因子，并可使用labels参数为各水平指定标签，例如low的标签为"no"和"yes"。
如何用summary()和epiDisplay包的summ()函数查看birthwt数据集的描述性统计量？
summary()函数对数值变量给出最小值、下四分位数、中位数、均值、上四分位数和最大值，对分类变量给出频数表；summ()函数以另一种格式输出，将变量按行排列，最小值和最大值放在最后两列，便于查看数据范围。
在R中如何计算连续变量的偏度和峰度？
基础包不提供计算偏度和峰度的函数，可以自行根据公式计算，或调用其他包如Hmisc、psych、pstecs中的函数。例如psych包的describe()函数可以计算偏度和峰度。
如何按smoke分组计算birthwt数据集中age、lwt、bwt的均值和标准差？
可以使用aggregate()函数，如aggregate(cont.vars, by = list(smoke = birthwt$smoke), mean)计算均值，将mean改为sd计算标准差；也可以使用tapply()、describeBy()或dplyr的group_by()与summarise()实现。
aggregate()函数中的by参数需要注意什么？
by参数必须设置为list。如果直接使用list(birthwt$smoke)，分组列的名称会显示为"Group.1"而不是"smoke"。可以在list中设置多个分类变量，例如list(smoke = birthwt$smoke, race = birthwt$race)，以计算多个变量组合的统计量。
describeBy()和dplyr的group_by()与summarise()在分组统计上有何区别？
describeBy()函数可以按组计算与describe()相同的统计量，但无法指定任意函数，扩展性较差；而dplyr的group_by()与summarise()可以灵活计算分组统计量，例如summarise(Mean.bwt = mean(bwt), Sd.bwt = sd(bwt))，方法更清晰、结果更简洁。
