我将一个名为gob的数据集加载到R中,并尝试了方便的summary
函数。 请注意,第 3 个四分位数小于平均值。 这怎么可能?是我的数据大小还是其他类似的东西?
我已经尝试为数字参数传入一个大值(例如 10),但这并不能解决问题。
> summary(gob, digits=10)
customer_id 100101.D 100199.D 100201.D
Min. : 1083 Min. :0.0000000 Min. :0.0000000 Min. :0.0000000
1st Qu.: 965928 1st Qu.:0.0000000 1st Qu.:0.0000000 1st Qu.:0.0000000
Median :2448738 Median :0.0000000 Median :0.0000000 Median :0.0000000
Mean :2660101 Mean :0.0010027 Mean :0.0013348 Mean :0.0000878
3rd Qu.:4133368 3rd Qu.:0.0000000 3rd Qu.:0.0000000 3rd Qu.:0.0000000
Max. :6538193 Max. :1.0000000 Max. :1.0000000 Max. :0.7520278
请注意,对于 gob$100201.D,平均值为 0.0000878,但第 3 个 Qu. = 0。
这不是错误,只是您的数据包含大量 0 值。例如,如果我用 12 个 0 和一个 1 制作 x,则得到的结果是第 3 个四分位数小于平均值
x<-c(0,0,0,0,0,0,0,0,0,0,0,0,1)
summary(x)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.00000 0.00000 0.00000 0.07692 0.00000 1.00000
尝试在列上使用 table() 来查看值的分布
table(x)
x
0 1
12 1
第 3 个分位数可以低于平均值。它不是最高值的 75%,而是从低到高排序时向量计数的 75% 的值。换句话说:
Vector <- c(0,0,0,0,0,0,0,1)
mean(Vector)
[1] 0.125
quantile(Vector, 0.75)
[1] 0
为了找到第三个分位数,R 对所有数据从最低到最高进行排序,然后选择最接近该向量长度 75% 的值。所以基本上:
3rdQuar = Vector[round(length(Vector)*0.75)]
(请注意,如果它落在两个整数之间,R 实际上会将这两个整数平均。但这是基本思想)