Å eksplorere data

Etter at dataene er klargjort, skal eksplorasjon og deskripsjon gjøres med stor omhu. Kunnskap om dataenes natur er fundamental for et godt sluttresultat. Analytikeren må ha god kjennskap til variablenes natur, fordelinger, missingness (manglende data), korrelasjoner og så videre. For å eksplorere data trengs både funksjoner i base R og funksjoner i andre pakker. Disse pakkene er avgjørende for adekvat og effektiv eksplorasjon og deskripsjon. Vi kommer ikke til å bruke klassiske øvingsdata (f.eks. gapminder eller mpg) fordi de mangler flere viktige variabeltyper (for eksempel overlevelsesdata, datovariabler osv.). Vi kommer i stedet til å bruke data fra en klinisk studie kalt Right Heart Catetherization (RHC), som kan lastes ned med koden nedenfor.

Vi begynner med å laste ned RHC til harddisken (datamaskinen) og sorterer deretter variablene i alfabetisk rekkefølge. Sorteringen er uten betydning og gjøres bare for at variablene skal ha samme rekkefølge i vår data frame som i Tabell 1, der variablene forklares. Heldigvis trenger du ikke å kunne noen detaljer om variablene i RHC, men det kan være fint å bruke et minutt eller to på variabellisten for å få en følelse av hvilke data vi arbeider med.

## Importer data
rhc <- read.csv("https://hbiostat.org/data/repo/rhc.csv", header = TRUE)

## Sorter kolonnene alfabetisk
rhc <- select(rhc, sort(names(rhc)))

## Inspiser data
head(rhc)

Utdrag fra RHC-dataene. Forklaring av variablene følger i Tabell 1.

Tabell 1. Forklaringer til variablene i RHC-dataene.

Forklaring av variablene i RHC.

I de kommende kapitlene diskuteres ulike typer eksplorasjon og deskripsjon.