[1] 4
[1] 5
[1] 20
[1] 4
[1] "numeric"
数据挖掘与R语言
2026年11月17日
Course Review & Final Exam Prep
重要
这是本学期的收官课,不再学新知识。今天做三件事:把22次课串成一条线(五大项目不是五堆孤立的知识点,而是一次数据分析的五个阶段);用贯穿全学期的老数据现场走一遍完整链路;把期末的卷型、考点和最容易丢分的地方对清楚。
五个项目,其实是一条流水线
项目一(第1–6讲)R语言基础:变量、向量、数据框、控制流、自定义函数——先有编程基本功;
项目二(第7–10讲)数据准备:read_csv()/read_excel()把数据请进来,filter/select/arrange/mutate/summarise/group_by管起来,left_join合并、pivot_longer/pivot_wider重塑;
项目三(第11–14讲)数据清洗:缺失值(is.na/na.omit/填补)、异常值(IQR/缩尾/scale()标准化)、重复值(duplicated/distinct)、不规范字符串(str_replace_all/unite/separate);
项目四(第15–18讲)数据可视化:base R四基本图起步,ggplot2"数据→映射→几何对象"语法体系,条形/折线/直方/散点/箱形,再到主题、分面、拼图与plotly交互图;
提示
一句话串起来:拿到数据 → 整理数据 → 看数据 → 建模下结论——这就是真实数据分析项目的完整流程,期末和以后工作考的、用的都是这条链。
company_data,从散点图到predict()一气呵成注记
复习姿势建议:每过一页,先在心里回答"这页的函数我能默写吗",再看代码验证——比从头到尾"看一遍"有效得多。
每一讲的学习成果自查清单,都长在这些函数上
getwd()/setwd()
<-、数值/字符/逻辑三类型、常量 pi/TRUE/T/FALSE、向量 c()、下标取数、向量化运算与 mean/sum/length
.qmd 文档写作、代码块与 #| 选项、渲染实验报告matrix、列表 list、数组 array、数据框 data.frame、$ 与 [ , ] 取数、class() 判类型if/else 条件分支、for/while 循环、自定义函数 function()(参数与返回值)sort/order、合并 merge/rbind/cbind、分组统计 tapply/aggregate、简单读写 read.csv/write.csv
提示
定位:编程基本功——后面四个项目的所有代码,都建立在这些概念之上。
先自己作答,再对照讲解。
1. 需要查看当前工作目录,可以使用以下哪个函数?
A. setwd() B. getwd() C. ls() D. path()
2. 要把工作目录切换到 D 盘的 R 文件夹(即 D:/R),应使用以下哪个函数?
A. getwd("D:/R") B. setwd("D:/R") C. list.files("D:/R") D. file.path("D:/R")
3. 下列哪个不是 R 语言中表示逻辑值的常量或符号?
A. TRUE B. T C. True D. FALSE
4. 下列在 R 中属于数值型(numeric)常量的是?
A. e B. "2" C. pi D. i
5. 在 R 语言中,既可以存放不同类型的数据,又允许各元素长度不同的数据对象是?
A. 向量 B. 矩阵 C. 数据框 D. 列表
6. R 语言的标准赋值符号是 <-,也可以用 ______;R 脚本(script)的注释符号是 ______,脚本中该符号后面的内容不会被 R 执行。
7. R 中由比较运算(如 3 > 2)得到的结果属于 ______ 数据类型;有同学想把判断结果存入变量,却写成 flag <- True,运行时报错,正确的写法是 flag <- ______。
当堂动手写(用 RStudio 新建脚本),写完再对照下一页参考代码。
c() 造一个含 4 家公司营收的向量 rev,取出第 2 个元素,并求它的均值。data.frame() 把公司名与营收拼成数据框 df,用 $ 取出营收列,并用 class() 查看其类型。mean2(x) 返回 sum(x)/length(x),对 rev 调用并与 mean() 对照是否一致。[1] 980
[1] 1125
[1] 1200 980
[1] "numeric"
[1] 1125
read_csv/read_excel/read.csv 读入、write_csv/write.csv 写出、str/summary 体检、as.character/as.factor/as.numeric 类型转换%>% 管道、filter 筛选、select 选列、arrange(desc()) 排序mutate 造新列、if_else/case_when 条件赋值、group_by+summarise 分组汇总、n() 计数、ungroup()
left_join/inner_join 按键合并、bind_rows/bind_cols 堆叠、pivot_longer/pivot_wider 长宽转换、unite/separate 列合并拆分提示
心法:%>% 管道思维——把数据一步步交给下游加工。
company_data <- data.frame(
company = c("锦城科技", "蜀汉制造", "天府物流", "青羊金融",
"锦江生物", "浣花实业", "岷山科技", "都江堰农业"),
revenue = c(1200.5, 980.0, 1560.3, 760.2, 2100.0, 890.75, 1050.0, 1320.8),
staff = c(95, 75, 130, 60, 55, 125, 85, 105),
rating = c("A", "B", "A", "C", "A", "B", "B", "A")
)
# 补上成本列:与全学期口径一致(固定种子,数字可复现)
set.seed(2026) # 固定随机种子
company_data$cost <- round(100 + 0.4 * company_data$revenue + 3 * company_data$staff +
c(A = 0, B = 60, C = 130)[company_data$rating] + round(rnorm(8, 0, 8), 1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
big_co <- company_data %>% # 管道:把左边的数据交给右边加工
filter(revenue > 1000) %>% # 筛选:营收超千万的公司
arrange(desc(revenue)) # 排序:营收从高到低
big_co # 3行结果 company revenue staff rating cost
1 锦江生物 2100 55 A 1100
2 天府物流 1560 130 A 1115
3 都江堰农业 1321 105 A 935
4 锦城科技 1200 95 A 869
5 岷山科技 1050 85 B 829
# A tibble: 3 × 2
rating avg_cost
<fct> <dbl>
1 A 1005.
2 B 823.
3 C 713
1. 要在当前 R 会话中加载已经安装好的 readr 扩展包,下列代码中错误的是?
A. library("readr") B. library(readr) C. require(readr) D. install(readr)
2. 需要在 CRAN 在线安装 R 扩展包,以下函数正确的是?
A. library("tidyverse") B. install.package(tidyverse) C. bind_rows("tidyverse") D. install.packages("tidyverse")
3. 下列函数中,R 自带(无需安装额外包)、可将数据框保存为 CSV 文件的是?
A. read.csv() B. write.csv() C. save.csv() D. export.csv()
4. 假设 readr 软件包已经正确安装,运行 read_csv("sales.csv") 后出现错误提示:
Error in read_csv("sales.csv") : could not find function "read_csv"
下列对该错误的描述,正确的是?
A. 文件 sales.csv 不在当前工作目录下 B. 变量 sales 没有定义
C. 代码中的括号没有成对出现 D. 当前 R 会话未加载 readr 软件包
5. 下列关于 R 常见错误提示与其最可能原因的对应关系,正确的是?
A. Error: object 'sales' not found —— 函数名称拼写错误
B. Error in read_csv("sales.csv") : could not find function "read_csv" —— 数据文件的编码格式不正确
C. Error: 'sales.csv' does not exist in current working directory —— 文件不在当前工作目录或指定路径下
D. Error in library(mypkg) : there is no package called 'mypkg' —— 尚未使用 library() 加载该软件包
6. 已知数据框 staff 中有一列 sales(销售额),要按销售额从大到小重新排列各行的顺序,正确的代码是?
A. filter(staff, desc(sales)) B. arrange(staff, desc(sales))
C. arrange(staff, sales) D. group_by(staff, sales)
7. 在 tidyr 包中,将数据从宽格式(wide)转换为长格式(long),应使用?
A. pivot_longer() B. pivot_wider() C. separate() D. unite()
8. 在 tidyr 包中,要把长格式数据(如"年份""指标""取值"三列)重塑为宽格式(每个指标单独占一列),应使用的函数是?
A. pivot_longer() B. pivot_wider() C. unite() D. separate()
9. 财务表 fin(公司、年份、收入)与评级表 rat(company、year、rating)如下。要把 rat 并入 fin,用公司名和年份作共同匹配键,财务表的行全部保留,下列代码正确的是?
财务表 fin:
| 公司 | 年份 | 收入 |
|---|---|---|
| 锦官置业 | 2024 | 1150 |
| 蜀绣股份 | 2024 | 860 |
| 天府文旅 | 2025 | 1320 |
评级表 rat:
| company | year | rating |
|---|---|---|
| 锦官置业 | 2024 | A+ |
| 蜀绣股份 | 2024 | B |
| 青城环保 | 2024 | BBB |
A. left_join(fin, rat, by = c("公司", "年份"))
B. left_join(fin, rat, by = c("company", "year"))
C. left_join(fin, rat, by = c("公司" = "company", "年份" = "year"))
D. bind_rows(fin, rat)
10. 在分析处理数据框 test_data 前,应先查看数据框的结构(行数、列数及各列数据类型),应使用 R 自带函数 ______(test_data);想查看各数值列的描述性统计(最小值、第一四分位数、中位数、均值、最大值等),应使用 R 自带函数 ______(test_data)。
11. 在 R 会话中读入 Excel 数据,若尚未安装 readxl 包,应先使用函数 ______("readxl") 进行安装;用 read_excel() 读入含多个工作表的 Excel 文件时,若没有指定 sheet 参数,默认读入的是 ______ 工作表。
12. 读入外部数据时,股票代码列 "300512" 被 R 自动识别为数值型。若要将该列转换为字符型变量,应使用函数 ______();一列数值若本质是组别标签,画箱形图按组比较前需把它转换为因子,应使用的函数是 ______()。
13. 在 dplyr 包中,对一个未分组的数据框使用 summarise() 汇总,结果默认返回 ______ 行;先使用 group_by() 按某一个变量分组,再 summarise() 对各组汇总,结果返回的行数等于 ______。
当堂动手写(沿用 company_data),写完再对照下一页参考代码。
mutate() 新增一列"人均营收"=营收/人数,只保留公司名与人均营收两列。set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
company_data %>% # 1 筛选+排序
filter(revenue > 1000) %>%
arrange(desc(revenue)) company revenue staff rating cost
1 锦江生物 2100 55 A 1100
2 天府物流 1560 130 A 1115
3 都江堰农业 1321 105 A 935
4 锦城科技 1200 95 A 869
5 岷山科技 1050 85 B 829
company per_capita
1 锦城科技 12.64
2 蜀汉制造 13.07
3 天府物流 12.00
4 青羊金融 12.67
5 锦江生物 38.18
6 浣花实业 7.13
7 岷山科技 12.35
8 都江堰农业 12.58
# A tibble: 3 × 3
rating avg_cost n
<fct> <dbl> <int>
1 A 1005. 4
2 B 823. 3
3 C 713 1
is.na+sum 识别计数、na.omit/filter(!is.na()) 删除、均值/分组中位数填补、如实说明scale() 标准化(z分数)、归一化duplicated() 标记、distinct() 去重、按关键列去重str_replace_all/str_detect/str_trim 清洗与校验、正则表达式、unite/separate 拼接拆分提示
底线:清洗要留痕——每一步删了什么、为什么,要写得出。
[1] 1
company revenue rating
1 蜀汉制造 980 B
[1] FALSE TRUE TRUE TRUE TRUE
1. 某数值变量的第一四分位数 Q1 = 18,第三四分位数 Q3 = 26。按箱线图 IQR 法则(1.5×IQR),下列哪个观测值应被判为异常值?
A. 4 B. 12 C. 20 D. 25
2. 按照箱线图 IQR 法则(1.5×IQR),箱子的上下边缘分别表示第三、第一四分位数,箱体覆盖中间 ______% 的数据;超出须(Whiskers)范围的观测点通常被视为潜在的 ______ 值。
当堂动手写(用 dirty_data),写完再对照下一页参考代码。
is.na() 统计整表缺失个数,并删除公司名为缺失的行。distinct() 去掉完全重复的行。str_replace_all() 去掉公司名首尾空格,再用 str_detect() 校验评级是否都是大写 A/B/C。[1] 1
[1] FALSE TRUE TRUE
aes()→几何对象 geom_* 三层、geom_col/geom_bar/geom_line、labs() 标题四要素、theme_* 主题geom_histogram 看分布、geom_point+geom_smooth 看关系、geom_boxplot/boxplot() 看分组与异常facet_wrap/facet_grid 分面、patchwork 拼图、plotly 交互图、配色与导出提示
口诀:看变量类型选图——一个分类看条形/箱形,两个数值看散点/折线,看分布用直方/箱形。
set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
ggplot(company_data, aes(x = rating, y = cost, fill = rating)) + # 数据+映射
geom_col() + # 几何对象:高对比的直方柱
labs(title = "不同评级公司的成本对比", # 标题四要素之主题
subtitle = "8家虚构公司,2026年", # 副标题交代范围
x = "信用评级", y = "成本(万元)") + # 轴名必须带单位
theme_minimal(base_size = 14) # 简洁主题1. 根据教材对 R 语言基础绘图的介绍,下列哪个不是图形三要素?
A. 颜色元素 B. 文字元素 C. 点线元素 D. 动画元素
2. 根据教材对 R 语言重要绘图函数的介绍,以下不是通过低级绘图函数添加的是?
A. 标题 B. 坐标轴 C. 图例 D. 散点图
3. 为了观察成都市 2026 年度每日最高气温的频数分布及其形态(如是否对称、是否存在偏态),最适合使用哪种图形?
A. 条形图 B. 直方图 C. 箱形图 D. 折线图
4. 数据表中已算好各公司的营业收入,现需使用 ggplot2 包,以公司名称为横轴、营业收入为纵轴绘制柱状图,应使用 geom______();数据表中有一列公司的信用评级(如 AAA、AA、A、BBB),现需绘制各评级公司的数量对比柱状图,应使用 geom______()。
5. 根据教材,R 语言的重要绘图函数中,图形三要素包括 ______、文字元素、______。
当堂动手写(沿用 company_data),写完再对照下一页参考代码。
set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
ggplot(company_data, aes(x = revenue, y = cost)) + # 1 散点+拟合直线
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "营收与成本的关系",
x = "营收(万元)", y = "成本(万元)") +
theme_minimal(base_size = 14)lm()→summary()→predict())、最小二乘、系数表四列、R²、t检验与F检验、残差图lm(y~x1+x2)、"控制其他变量不变"、调整R²防虚高、诊断四件套、predict(newdata)
log() 对数变换与弹性读法、rsample 训练/测试集做样本外评估提示
定位:五项目中唯一给出"结论级"输出的环节——案例题分量最重。
set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
m <- lm(cost ~ revenue + staff + rating, data = company_data) # 全家族最完整的模型
summary(m)$r.squared # R²:解释了多少变异[1] 0.999
[1] 0.000272
1. 在一元线性回归中,R 语言的 lm() 函数估计回归系数时,所依据的基本原则是使残差平方和最小,这种方法称为?
A. 主成分分析法 B. 最小二乘法 C. 系统聚类法 D. 移动平均法
2. 关于回归分析,下列说法正确的是?
A. 回归分析属于无监督学习,主要用于发现数据中的自然分组
B. 回归分析属于有监督学习,主要用于分析因变量与一个或多个自变量之间的关系
C. 回归分析只能研究一个因变量与一个自变量之间的线性关系
D. 回归分析主要用于判断样本是否属于某个预先设定的类别
3. 两个数值变量之间的皮尔逊相关系数 r 的取值范围是 ______;在包含截距项的普通最小二乘线性回归中,决定系数 R² 的取值范围是 ______。
当堂动手写(沿用 company_data),写完再对照下一页参考代码。
set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
m1 <- lm(cost ~ revenue, data = company_data) # 1 一元回归
summary(m1)$r.squared # 1 读R²[1] 0.805
Estimate Std. Error t value Pr(>|t|)
(Intercept) 312.505 45.9247 6.80 1.04e-03
revenue 0.316 0.0228 13.86 3.51e-05
staff 2.170 0.3532 6.14 1.66e-03
1
887
业务问题:营收1200万、90人、B评级的公司,成本该是多少?
set.seed(2026) # 固定种子:成本噪声可复现
company_data <- data.frame( # 8家虚构公司
company = c("锦城科技","蜀汉制造","天府物流","青羊金融","锦江生物","浣花实业","岷山科技","都江堰农业"),
revenue = c(1200.5,980.0,1560.3,760.2,2100.0,890.75,1050.0,1320.8), # 营收(万元)
staff = c(95,75,130,60,55,125,85,105), # 员工人数
rating = c("A","B","A","C","A","B","B","A")) # 信用评级
company_data$cost <- round(100 + 0.4*company_data$revenue + 3*company_data$staff +
c(A=0,B=60,C=130)[company_data$rating] + round(rnorm(8,0,8),1), 0) # 成本(万元)
company_data$rating <- factor(company_data$rating) # 评级转因子
ggplot(company_data, aes(x = revenue, y = cost, color = rating)) + # 先看图
geom_point(size = 3) + # 按评级着色分组看
geom_smooth(method = "lm", se = FALSE) + # 线性关系大致成立
theme_minimal(base_size = 14) # 简洁主题
Call:
lm(formula = cost ~ revenue + staff + rating, data = company_data)
Residuals:
1 2 3 4 5 6 7 8
3.27e+00 8.97e-01 6.39e+00 -2.22e-16 -2.66e+00 -6.27e+00 5.38e+00 -7.00e+00
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 118.5866 31.6324 3.75 0.03314 *
revenue 0.3925 0.0136 28.83 9.2e-05 ***
staff 2.9041 0.1450 20.03 0.00027 ***
ratingB 46.0110 9.8312 4.68 0.01843 *
ratingC 121.7519 16.7976 7.25 0.00542 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 7.67 on 3 degrees of freedom
Multiple R-squared: 0.999, Adjusted R-squared: 0.997
F-statistic: 622 on 4 and 3 DF, p-value: 0.000104
体检结论(对应summary(m)):R²=0.999、调整R²=0.997;四个系数p值全部<0.05;F=622(p<0.001);残差图无模式——模型可信度高。
预测:约897万元(1200、90都在样本范围内,是"内插",相对可靠)。
警告
必须随结论一起说的局限:样本只有8家(精度有限);这是虚构数据演示方法链路;"评级低成本高"是相关证据,不是因果证明——案例题最后一问考的正是这句话。
分数结构清楚,复习才有方向
重要
试卷特别提示原文:"代码写法不唯一,只要程序能运行、实现题目要求且结果正确,均可得分"——简答、加工、案例三类写码题都按这个口径给分,不必背"标准答案式写法",但函数要写对名字、代码要真跑得通。
log(0)不处理就变换;忘写log(x + 1)
ungroup()导致后续汇总被"隐形分组"带偏提示
考前自测动作:①把每次课的"学习成果自查"清单逐条打勾(没打勾的优先补);②五份实验报告各自把核心代码重敲一遍;③A、B卷各五大题先自己限时做,再对照参考答案——B卷与A卷卷型同构,A卷练透了,B卷只是换皮的题面。
从"拟合一条直线"到"能诊断、能扩展、能严谨评估"
第20讲:加变量+做体检——二元回归、"控制其他变量"、诊断四件套、调整R²防虚高
第21讲:三项升级——虚拟变量请分类进模型、对数变换拉直曲线、训练/测试集防"背答案"
第22讲:串成链——看图→建模→诊断→扩展→样本外评估→业务结论
本课程不涉及分类、聚类、关联规则等真正意义上的数据挖掘算法,但项目一到项目五打下的编程基本功、数据准备与清洗能力、可视化表达能力、回归建模与模型评估思维,正是后续《数据挖掘》课程和财务数据分析岗位最重要的地基。
重要
希望同学们在今后的学习和工作中,继续保持"用数据说话、审慎对待每一个统计结论"的态度——这句话贯穿22次课,也是本课程希望留给你们最重要的东西。
arules/arulesViz)——"买了A的人也会买B"tidymodels(今天rsample就是它的入口)、交叉验证提示
今天打下的R语言基础和数据思维,会让这些内容学起来事半功倍。结课不散场,欢迎随时来信讨论。
第22讲:学期总复习与期末备考 | 全课程收官
"Let data speak, and reason carefully about what it says." 从项目一学习R语言基础,到项目五完成一次完整的回归分析,贯穿整个课程的核心理念是"用数据说话、用方法思考"——这种严谨的分析思维,是数字经济时代财务从业者应当具备的核心竞争力。
朱 奇 | 锦城大学 · 财会学院