来源：丁点帮你

作者：丁点helper

之前的文章讲了如何用R绘制箱形图，以此来帮助我们了解数据的整体分布情况、是否存在异常值。除此之外，箱形图还可以进行数据的组间比较。

分组变量的数据清理

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。

本次我们用到的是学生的课堂调查数据，包括了性别、年级、专业、身高、最喜欢的动物(讲数据清理时用的是这个变量，还记得吗)等变量。数据名：survey.csv，数据链接：

首先导入数据，存入survey这个数据集中：

survey <- read.csv("//Users//Desktop//survey.csv", 
                     header = TRUE) # 获取数据中包含的变量名 names(survey)
 [1] "ClassProb" "Status" "Year" "Division" "Gender" "HtCm" "Hand" "Haircut" "Exercise" [10] "Coursework" "Web" "TV" "Social" "Econ" "Animal" "Friends" "Pulse"

接下来我们以Gender作为分组依据，先来看看这个变量的情况。

table(survey$Gender) Choose not to answer Female Gender non-conforming Male 1 1 117 1 118 

我们发现，除了female和male，有的同学回答了Choose not to answer，Gender non-conforming，还有同学什么都没填，空缺。

今天我们暂时将这三种特殊情况从数据中删去。

# 查看针对Gender这个变量，同学们有几类回答 levels(survey$Gender)
[1] "" "Choose not to answer" "Female" "Gender non-conforming" "Male" 

在这五类回答中，我们想保留的是第3、第5类。也就是说，仅保留Gender为"Female" 或 "Male"的记录。

# 把更新后的数据存储在survey2这个对象中 survey2 <- survey[survey$Gender %in% levels(survey$Gender)[c(3,5)],]

这里，a %in%b的作用是，用a中的元素去匹配b中的任意元素，如果匹配成功，则返回结果为TRUE，反之，则结果为FALSE。

此时，上面的语句就简化为如下所示，c()里面是TRUE和FALSE的集合，是a中每个元素与b匹配的结果。

survey2 <- survey[c(),] # 这是为了便于理解写的简化语句，不能够运行的

survey2中仅保留了匹配结果为TRUE的记录：

table(survey2$Gender) Choose not to answer Female Gender non-conforming Male 0 0 117 0 118 

哎？虽然记录被删了，但Gender中之前包含的五个类都还在，用下面的droplevels()这个函数删掉那些没有记录的类。

survey2$Gender <- droplevels(survey2$Gender)
table(survey2$Gender)
Female   Male 
   117    118

绘制整体和各组数据的箱形图

多重线性回归，一般是指有多个自变量X，只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍，两者的差距主要在于自变量X的数量，在只有一个X时，就称简单线性回归。

数据清理好之后，我们以身高HtCm这个变量为例，先用之前讲过的方法绘制箱形图，了解改变量的整体分布，然后对比性别之间的身高差异。

boxplot(survey2$HtCm, main="Boxplot of Ht in cm",          col='orange', lwd=2)

一目了然，我们调查的是大学学生，却出现了身高小于100厘米的情况，不符合常理。现在去检查一下原始数据。

sort(survey2$HtCm) # 将身高从小到大排序

部分结果截图

实际操作中，大家要尽量核实那些极端身高数据的真实情况，修正数据。这里我们为便于教学，直接把那些小于100厘米的身高值记录为缺失。

然后利用整理后的身高数据绘制箱形图。

survey2$HtCm[survey2$HtCm < 100 ] <- NA
 boxplot(survey2$HtCm, main="Boxplot of Ht in cm", 
          col='orange', lwd=2)

最后绘制不同性别学生的身高箱形图。

boxplot(survey2$HtCm~survey2$Gender, 
         main="Boxplot of Ht in cm", 
         col=c(2,3), lwd=2)

由图可知，男生的身高基本都高于女生。将两个箱形图放在一起，可以清晰地看到两组变量的大致情况，便于给两组做粗略的比较。

但是这男女生身高到底有没有统计学上的差异，肉眼是很难得出结论的，统计学上怎么做呢？