Att explorera data

Efter att data har preparerats skall exploration och deskription göras med stor omsorg. Kunskap om datas natur är fundamental för ett bra slutresultat. Analytikern måste ha god kännedom om variablernas natur, fördelningar, missingness (missing data), korrelationer och så vidare. För att explorera data behövs både funktioner i base R och funktioner i andra paket. Dessa paket är avgörande för adekvat och effektiv exploration och deskription. Vi kommer inte att använda klassiska övningsdata (t ex gapminder eller mpg) eftersom de saknar flera viktiga variabeltyper (exempelvis överlevnadsdata, datumvariabler, etc). Vi kommer istället att använda data från en klinisk studie kallad Right Heart Catetherization (RHC) som kan laddas ner med koden nedan.

Vi börjar med att ladda ner RHC till hårddisken (datorn) och sorterar därefter variablerna på alfabetisk ordning. Sorteringen är betydelselös och görs endast för att variablerna ska ha samma ordning i vår data frame som i Tabell 1 där variablerna förklaras. Du behöver lyckligtvis inte kunna några detaljer om variablerna i RHC, men det kan vara trevligt att ägna någon minut åt variabellistan för att få en känsla för vilka data vi arbetar med.

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

# Sortera kolumnerna alfabetiskt
rhc <- select(rhc, sort(names(rhc)))

# Inspektera data
head(rhc)

Tabell 1. Förklaringar till variabler i RHC data.

I kommande kapitel diskuteras olika typer av exploration och deskription.