第22讲:学期总复习与期末备考

数据挖掘与R语言

2026年11月17日

本讲导览

Course Review & Final Exam Prep

  • 一、课程主线 ——一次完整的数据分析旅程
  • 二、知识地图 ——五大项目,每项目按"主要内容→代码演示→课堂测验→现场练习"展开
  • 三、端到端演示 ——一份数据把全链路走一遍
  • 四、期末备考 ——卷型、高频考点与易错点
  • 五、结课 ——项目五回顾与结课寄语

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。

一、课程主线——一次完整的数据分析旅程

五个项目,其实是一条流水线

1.1 这门课教了一条什么"链"

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;

项目五(第19–21讲)回归建模:lm()建模、summary()读懂、诊断四件套体检,二元回归、虚拟变量、对数变换,rsample训练/测试集做样本外检验。

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。

1.2 本讲怎么用

  • 先看地图(第二节):每个项目先列主要内容、再演示重点代码,随后做课堂测验与现场练习——查缺补漏
  • 再走链路(第三节):回到老朋友company_data,从散点图到predict()一气呵成
  • 然后备考(第四节):卷型分值、高频考点、易错点三张清单
  • 最后答疑:留5–10分钟,任何讲的问题都可以当场问

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。

二、知识地图——五大项目逐串讲

每一讲的学习成果自查清单,都长在这些函数上

全课程知识思维导图

项目一 · 知识思维导图

2.1 项目一:主要内容(第1–6讲)

  • 第1讲·概述:R/RStudio 安装与界面、RStudio Project 管理工程、工作目录 getwd()/setwd()
  • 第2讲·数据类型与结构:赋值 <-、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
  • 第3讲·Markdown与Quarto:.qmd 文档写作、代码块与 #| 选项、渲染实验报告
  • 第4讲·更多数据对象:矩阵 matrix、列表 list、数组 array、数据框 data.frame、$ 与 [ , ] 取数、class() 判类型
  • 第5讲·流程控制:if/else 条件分支、for/while 循环、自定义函数 function()(参数与返回值)
  • 第6讲·数据管理基础:base R 排序 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。

2.2 项目一:重点代码演示

x <- c(2, 4, 6, 8)                    # <- 赋值;c()造原子向量
x[2]                                  # 按位置取元素:第2个
[1] 4
mean(x); sum(x); length(x)            # 向量化函数:一行算全组
[1] 5
[1] 20
[1] 4
df <- data.frame(                     # data.frame:等长的列拼成表
  name = c("甲", "乙"), val = c(10, 20)
)
class(df$val)                         # numeric:class()判断类型
[1] "numeric"

课堂测验 · 项目一①:工作目录

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")

课堂测验 · 项目一②:常量与数据对象

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

课堂测验 · 项目一③:填空

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 <- ______。

现场练习 · 项目一:向量、数据框与自定义函数

当堂动手写(用 RStudio 新建脚本),写完再对照下一页参考代码。

  1. 用 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。
  2. 用 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。
  3. 写一个自定义函数 mean2(x) 返回 sum(x)/length(x),对 rev 调用并与 mean() 对照是否一致。

参考代码 · 项目一

rev <- c(1200.5, 980.0, 1560.3, 760.2)   # 造营收向量
rev[2]                                   # 按位置取第2个元素
[1] 980
mean(rev)                                # 向量化均值
[1] 1125
df <- data.frame(company = c("锦城科技", "蜀汉制造"),
                 revenue = c(1200.5, 980.0))  # 等长列拼成数据框
df$revenue                               # $ 按列名取列
[1] 1200  980
class(df$revenue)                        # 判断类型:numeric
[1] "numeric"
mean2 <- function(x) sum(x) / length(x)  # 自定义函数
mean2(rev)                               # 与 mean(rev) 对照
[1] 1125

项目二 · 知识思维导图

2.3 项目二:主要内容(第7–10讲)

  • 第7讲·数据读写与类型转换: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
  • 第8讲·dplyr筛选与排序:%>% 管道、filter 筛选、select 选列、arrange(desc()) 排序
  • 第9讲·数据变换与汇总:mutate 造新列、if_else/case_when 条件赋值、group_by+summarise 分组汇总、n() 计数、ungroup()
  • 第10讲·数据合并与重塑: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。

2.4 项目二:重点代码演示

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
company_data %>%
  group_by(rating) %>%                         # 按评级分组
  summarise(avg_cost = mean(cost))             # 分组汇总:平均成本
# A tibble: 3 × 2
  rating avg_cost
  <fct>     <dbl>
1 A         1005.
2 B          823.
3 C          713 

课堂测验 · 项目二①:包的安装与加载

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()

课堂测验 · 项目二②:读懂报错

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

课堂测验 · 项目二③:排序与长宽转换

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()

课堂测验 · 项目二④:多表合并

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)

课堂测验 · 项目二⑤:填空(体检与读入)

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。

课堂测验 · 项目二⑥:填空(类型转换与分组汇总)

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 ______。

现场练习 · 项目二:筛选、变换与分组汇总

当堂动手写(沿用 company_data),写完再对照下一页参考代码。

  1. 用管道筛出营收大于 1000 的公司,并按营收从高到低排序。
  2. 用 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。
  3. 按评级分组,汇总每组的平均成本与公司数。

参考代码 · 项目二

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_data %>%                              # 2 新增列+选列
  mutate(per_capita = revenue / staff) %>%
  select(company, per_capita)
     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
company_data %>%                              # 3 分组汇总
  group_by(rating) %>%
  summarise(avg_cost = mean(cost), n = n())
# A tibble: 3 × 3
  rating avg_cost     n
  <fct>     <dbl> <int>
1 A         1005.     4
2 B          823.     3
3 C          713      1

项目三 · 知识思维导图

2.5 项目三:主要内容(第11–14讲)

  • 第11讲·缺失值处理: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
  • 第12讲·异常值与标准化:箱线图 IQR 法则(Q1−1.5×IQR,Q3+1.5×IQR 之外)、缩尾处理、scale() 标准化(z分数)、归一化
  • 第13讲·重复值处理:duplicated() 标记、distinct() 去重、按关键列去重
  • 第14讲·文本字段处理: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。

2.6 项目三:重点代码演示

dirty_data <- data.frame(                               # 一份"脏数据":空格/重复/缺失/小写评级
  company = c(" 锦城科技 ","蜀汉制造","蜀汉制造","天府物流",NA),
  revenue = c(1200.5,980.0,980.0,760.2,890.75),
  rating  = c("a","B","B","C","A"))
sum(is.na(dirty_data))                         # 数一数:整表有几个缺失
[1] 1
dirty_data %>% filter(duplicated(dirty_data))  # 找出完全重复的行
   company revenue rating
1 蜀汉制造     980      B
dirty_data$company <- str_replace_all(dirty_data$company, "\\s+", "")  # 去空格
str_detect(dirty_data$rating, "^[ABC]$")       # 校验:评级是否都是大写A/B/C
[1] FALSE  TRUE  TRUE  TRUE  TRUE

课堂测验 · 项目三:IQR 异常值判定

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。

现场练习 · 项目三:缺失、重复与字符串

当堂动手写(用 dirty_data),写完再对照下一页参考代码。

  1. 用 is.na() 统计整表缺失个数,并删除公司名为缺失的行。
  2. 用 distinct() 去掉完全重复的行。
  3. 用 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。

参考代码 · 项目三

dirty_data <- data.frame(                               # 一份"脏数据":空格/重复/缺失/小写评级
  company = c(" 锦城科技 ","蜀汉制造","蜀汉制造","天府物流",NA),
  revenue = c(1200.5,980.0,980.0,760.2,890.75),
  rating  = c("a","B","B","C","A"))
sum(is.na(dirty_data))                          # 1 数缺失
[1] 1
clean <- dirty_data %>% filter(!is.na(company)) # 1 删公司名缺失的行
clean <- clean %>% distinct()                   # 2 去完全重复行
clean$company <- str_replace_all(clean$company, "\\s+", "")  # 3 去空格
str_detect(clean$rating, "^[ABC]$")             # 3 校验评级(小写a会返回FALSE)
[1] FALSE  TRUE  TRUE

项目四 · 知识思维导图

2.7 项目四:主要内容(第15–18讲)

  • 第15讲·可视化导论:看懂图、看变量类型选图、base R 四基本图(散点/折线/条形/箱形)、图形三要素(颜色/文字/点线)、高级与低级绘图函数
  • 第16讲·ggplot2图形语法:数据→映射 aes()→几何对象 geom_* 三层、geom_col/geom_bar/geom_line、labs() 标题四要素、theme_* 主题
  • 第17讲·直方/散点/箱形:geom_histogram 看分布、geom_point+geom_smooth 看关系、geom_boxplot/boxplot() 看分组与异常
  • 第18讲·美化/合并/交互: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。

2.8 项目四:重点代码演示

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

boxplot(cost ~ rating, data = company_data)             # base R箱形图:公式写法

课堂测验 · 项目四①:图形概念与选图

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

课堂测验 · 项目四②:填空

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、______。

现场练习 · 项目四:散点与箱形

当堂动手写(沿用 company_data),写完再对照下一页参考代码。

  1. 画营收(x)与成本(y)的散点图,叠加一条线性拟合直线,并补上标题与带单位的轴名。
  2. 用 base R 公式写法画"成本按评级"的箱形图,并加主标题。

参考代码 · 项目四

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)

boxplot(cost ~ rating, data = company_data,          # 2 base R箱形图
        main = "成本按评级箱形图", xlab = "评级", ylab = "成本(万元)")

项目五 · 知识思维导图

2.9 项目五:主要内容(第19–21讲)

  • 第19讲·简单线性回归:建模四步(散点图→lm()→summary()→predict())、最小二乘、系数表四列、R²、t检验与F检验、残差图
  • 第20讲·一元到多元:多元 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)
  • 第21讲·虚拟变量/对数/抽样:分类转因子做虚拟变量与基准类别、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。

2.10 项目五:重点代码演示

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)$r.squared                                 # R²:解释了多少变异
[1] 0.999
summary(m)$coefficients["staff", "Pr(>|t|)"]         # t检验:staff显著吗
[1] 0.000272
plot(m, which = 1)                                   # 残差图:假设满足吗

课堂测验 · 项目五:回归概念与取值范围

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 ______。

现场练习 · 项目五:建模、读表与预测

当堂动手写(沿用 company_data),写完再对照下一页参考代码。

  1. 建立"成本~营收"的一元回归,读出 R²。
  2. 加入人数 staff 建立二元回归,读出系数表,并说清 staff 系数的含义(注意"控制其他变量不变")。
  3. 用二元模型预测营收 1200 万、90 人公司的成本。

参考代码 · 项目五

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)$r.squared                                # 1 读R²
[1] 0.805
m2 <- lm(cost ~ revenue + staff, data = company_data) # 2 二元回归
summary(m2)$coefficients                             # 2 读系数表
            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
predict(m2, newdata = data.frame(revenue = 1200, staff = 90))  # 3 预测
  1 
887 

三、端到端演示——一份数据走完全链路

业务问题:营收1200万、90人、B评级的公司,成本该是多少?

3.1 第一步:看图定形,第二步:建模

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

m <- lm(cost ~ revenue + staff + rating, data = company_data)  # 项目五全部升级都用上
summary(m)                                                 # 完整体检输出

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

3.2 第三步:读体检结论,第四步:预测与声明局限

new_co <- data.frame(revenue = 1200, staff = 90,          # 新客户资料:1200万、90人
                     rating = factor("B", levels = c("A", "B", "C")))  # 评级对齐因子水平
round(predict(m, newdata = new_co), 1)                    # 预测成本(万元)
  1 
897 

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。

四、期末备考——卷型、高频考点与易错点

分数结构清楚,复习才有方向

4.1 期末卷型与分值(A、B卷同构)

  • 一、单选题:每小题2分×10=20分 —— 概念与函数用途辨析
  • 二、填空题:每空2分×10=20分 —— 函数名、参数、输出读数
  • 三、简答题:每小题5分×2=10分 —— 类型判断、"相关≠因果"分析
  • 四、数据整理与加工:每小题5分×4=20分 —— dplyr与清洗写码
  • 五、案例分析题:每小题15分×2=30分 —— 一幅可视化+一个回归:补全代码、运行截图、结果分析

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。

4.2 高频考点清单(按项目)

  • P1:<-、下标取数、class()三类型、向量化、自建函数
  • P2:%>%管道、filter、mutate、summarise、group_by、arrange、select、left_join、长宽转换
  • P3:is.na计数、缺失三板斧、IQR界限、缩尾、scale()、duplicated、distinct
  • P4:ggplot三层、选图逻辑、labs()四要素、箱形图读数(中位数/箱体/须/孤点)、分面
  • P5:lm()四步、系数表四列、p<0.05判断、R²/调整R²、F与t分工、残差图两模式、虚拟变量基准、弹性读法、训练/测试集
  • 贯穿:用业务语言写"结论+局限"(案例题30分里的大头)

4.3 易错点黑名单

  • 相关≠因果:冰淇淋与溺水类简答题,必须点出"共同驱动因素",只答"正相关"拿不满
  • p<0.05说"有统计证据支持线性影响存在",不能写成"证明了x导致y"
  • R²高≠模型好:要过完诊断四件套才能下结论
  • 二元及以上系数的解读漏掉"控制其他变量不变"——按点扣分
  • 虚拟变量:忘答"基准类别去哪了"(并入截距);k类答成k个哑变量
  • 弹性读反:"规模每增1%,市值增2.92%"写成"每增1单位"
  • log(0)不处理就变换;忘写log(x + 1)
  • 忘记ungroup()导致后续汇总被"隐形分组"带偏
  • 截图题:图无标题/轴标签不带单位、代码与结果不同页——都是平常扣点

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。

五、结课——项目五回顾与结课寄语

从"拟合一条直线"到"能诊断、能扩展、能严谨评估"

5.1 项目五四次课的链路

第19讲:一条直线——lm()建模、最小二乘、summary()五组数字、predict()

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

5.2 结课寄语

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。

5.3 后续学习建议

  • 分类:决策树、随机森林——预测"评级是A还是B"这类问题
  • 聚类:K-means——把8家公司自动分成"贵成本型/轻资产型"
  • 关联规则:Apriori(arules/arulesViz)——"买了A的人也会买B"
  • 机器学习工程化:tidymodels(今天rsample就是它的入口)、交叉验证
  • 统计纵深:计量经济学——把"相关≠因果"往识别因果的方向推进

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。

谢谢!

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