R 语言探索性分析入门：先看懂数据，再画对图

拿到一份新数据，第一反应往往是直接建模型、跑回归、出预测。但数据分析里最容易翻车的地方，恰恰在模型之前：数据里藏着缺失值、离群点、录错的单位，变量之间的关系也和想象的不一样。探索性分析做的就是这件事：在正式分析之前，先把数据看清楚。本文用 R 语言讲一套完整流程：先用 dplyr 看结构、算分布、找缺失值，再用 ggplot2 把分布与关系画出来。

本文的函数名与包名按 R 与 tidyverse 官方文档核实，核实日期 2026-11-09；标注“未核实”的地方是本文没有在官方页面逐项验证的细节。示例用 R 自带的数据集 mtcars 与 iris，复制代码就能跑，不需要另外准备数据。

探索性分析到底在探索什么

探索性分析要回答的问题很具体，只有四个：数据长什么样，有没有脏的地方，变量各自怎么分布，变量之间有没有关系。四个问题各有对应的工具，混在一起做很容易顾此失彼。

先说一个原则：探索阶段的目标是发现问题，不是证明结论。 某组数据的平均值很高，可能是少数几个极端值拉起来的。探索性分析的产出是一份“数据体检报告”，而不是最终结论。

第一步：装好工具，看清数据结构

R 语言里做探索性分析，最常用的两个包是 dplyr 与 ggplot2，都属于 tidyverse 包集合：dplyr 负责整理与汇总数据，ggplot2 负责画图。第一次使用前先安装，之后每次打开 R 都要加载。

1install.packages("tidyverse")
2library(tidyverse)

install.packages 只需要在第一次安装时运行一次，library 则每次新开 R 会话都要运行。只装 dplyr 与 ggplot2 也可以，效果一样（核实日期 2026-11-09）。

装好工具后，以 R 自带的 mtcars 为例，它记录了 32 款汽车的油耗、马力、重量等 11 个变量。

1head(mtcars)
2str(mtcars)
3summary(mtcars)

head 看前几行，str 看每一列的类型，summary 给每一列算最小值、四分位数、中位数、均值与最大值。三行跑完，你应该能回答：多少行多少列，每列什么类型，数值范围合不合理。如果出现明显离谱的数字，比如马力是负数，那就是数据录入有问题，先记下来。

dplyr 的 glimpse 把每列的类型与前几个取值横着排出来，列多时比 str 更好读。

1glimpse(mtcars)

第二步：找缺失值与重复值，先把脏数据挑出来

缺失值是探索阶段最常见的坑。R 用 NA 表示缺失值，很多汇总函数遇到 NA 会直接返回 NA，不报错也不提醒，结果悄悄变成空值。动手算任何统计量之前，先数一数每列有多少个缺失值。

1colSums(is.na(mtcars))

is.na 判断每个位置是不是缺失值，colSums 再按列加总。mtcars 本身没有缺失值，输出会全是零；换成自己的数据，这里就可能出现非零的数字。发现缺失值之后不要急着删：先看缺失集中在哪些列、哪些行，是随机缺失还是某类记录整批缺失，删与填的决定要留到正式分析时再做，探索阶段先记录。

第三步：单个变量怎么分布，一个一个看

搞清楚结构与缺失值之后，开始看每个变量自己的分布。数值变量与分类变量的看图方法不一样，选错图比不画图更容易误导自己。

数值变量先看直方图：把数值切成一段一段的区间，数每段里有多少个观测，一眼就能看出分布是集中还是分散，有没有离群点。

1ggplot(mtcars, aes(x = mpg)) +
2  geom_histogram(binwidth = 2, fill = "steelblue", color = "white")

这段代码画的是 mpg（每加仑英里数）的直方图。ggplot 设定数据与横轴变量，geom_histogram 负责画直方图，binwidth 控制每段区间的宽度。区间太宽会把细节抹平，区间太窄又全是毛刺，多试两个宽度再决定。读这张图时注意峰值落在哪一段，大多数观测集中在哪个范围，有没有远远落在主体之外的离群点，先记下来，不要顺手删掉。

分类变量看条形图，以 cyl（气缸数）为例，数一数每个类别有多少辆车。

1ggplot(mtcars, aes(x = factor(cyl))) +
2  geom_bar(fill = "steelblue")

geom_bar 会自动统计每个类别的数量，factor 把数值型的气缸数转成类别，避免它被当成连续数值处理。读条形图时只问一个问题：哪个类别最多，哪个最少。

第四步：分组汇总，用数字回答“哪组更高”

看完单个变量，接下来比较组与组之间的差别。dplyr 的 group_by 加 summarise 是做这件事的标准组合：先按某个变量分组，再在每组里算统计量。

1mtcars %>%
2  group_by(cyl) %>%
3  summarise(
4    数量 = n(),
5    平均油耗 = mean(mpg),
6    中位油耗 = median(mpg),
7    最高油耗 = max(mpg),
8    最低油耗 = min(mpg)
9  )

group_by 与 summarise 的组合可以叠加多个分组变量，比如按气缸数与变速箱类型同时分组，输出一张更细的汇总表。汇总表本身就是探索结果的一种，不必每张表都画成图。

第五步：两个变量有没有关系，用散点图与箱线图看

探索性分析的后半段是看变量之间的关系。两个数值变量之间，用散点图；一个分类变量加一个数值变量，用箱线图。

先看散点图：横轴放马力 hp，纵轴放油耗 mpg，每个点是一辆车。

1ggplot(mtcars, aes(x = hp, y = mpg)) +
2  geom_point()

读散点图时问三个问题：点是往上走还是往下走，是聚成一条带还是散得到处都是，有没有脱离主体的点。mtcars 这张图上，马力越大油耗越低，点大致沿着一条往下走的带分布，这是负相关的典型样子。但要记住探索阶段的原则：相关不是因果。 散点图只能说两个变量一起变化，不能说一个导致另一个。

把气缸数映射到颜色上，同一张图就多了一层信息。

1ggplot(mtcars, aes(x = hp, y = mpg, color = factor(cyl))) +
2  geom_point(size = 3)

不同气缸数的车是不是各自聚成一团，颜色一加上就看得出来。颜色别超过五六种，多了反而看不清。

再看箱线图：按气缸数分组，比较每组的油耗分布。

1ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
2  geom_boxplot(fill = "steelblue")

箱线图一根柱子顶上一个盒子：盒子中间的线是中位数，盒子的上下边是第一与第三四分位数，盒子外面伸出的线是大部分数据的范围，单独画在外面的点是离群值。读箱线图时先比较盒子中间线的位置，再比较盒子的长短，盒子越长说明这组内部差异越大，最后看外面的离群点。箱线图与分组汇总表是互补的：表给精确数字，图给整体感觉。

第六步：多组对比一次看完，用分面拆开

变量一多，图很快就不够放。ggplot2 的 facet_wrap 可以按某个分类变量把一张图拆成多张小图，排在一起比较。

1ggplot(mtcars, aes(x = hp, y = mpg)) +
2  geom_point() +
3  facet_wrap(~ cyl)

facet_wrap(~ cyl) 按气缸数拆出三张散点图，每张只画该组的车。分面图的读法是横向比较：三张小图的走势一样吗，哪张更分散。分面适合回答“这个规律在每个组里都成立吗”；如果某组的走势和其他组完全不同，那里往往藏着值得深挖的问题。

第七步：把探索结果写成一份体检报告

图画完了、表算完了，探索性分析还没结束：最后一步是把发现写下来。报告不需要长，一页就够，但要回答四个问题：数据的基本情况如何，数据质量如何，主要发现是什么，下一步建议是什么。每条发现后面附上对应的图或表，缺失值、离群点与可疑值登记在册即可。

写报告时注意一个分寸：探索阶段的发现都写成“看起来”，不写成“证明了”。 图上看到的现象是线索，不是结论；正式分析的任务，就是验证这些线索里哪些站得住。

什么时候可以停下来，去做正式分析

探索性分析没有标准答案式的完成标志，但有三个信号说明可以收尾了：第一，你能用一两句话说清这份数据的结构与主要问题；第二，缺失值、离群点与可疑值都已经登记在册，知道它们在哪、有多少；第三，你手里已经有三到五张关键的图，能回答这份数据最核心的几个问题。到了这一步，就可以带着体检报告去做建模与检验了。反过来，如果某个变量的分布你还说不清楚，或者图上出现了一个完全解释不了的异常点，别急着往下走：探索阶段多花半小时，正式分析可能少返工半天。