世界卫生概览，R语言版

• 下载脚本R - 472 B
• 下载WHOReduced - 5.9 KB

1. 引言

世界卫生组织（WHO）提供的关于社会、经济、健康和政治指标的数据由该组织汇编，并以名为WHO.csv的文件提供。这个文件，顾名思义，是一个逗号分隔值文件。这个CSV文件有358列，202行，每行代表一个国家。例如，一些列的标题是“国家”，“大洲”，“人口（千人）总计”，以及“脊髓灰质炎确诊病例数”。

在本文中，我们将尝试通过R编程语言从这个文件中提取有意义的数据。大约两年前，我参加了MIT在edX在线平台上开设的一门在线课程，名为The Analytics Edge。他们使用上述WHO CSV文件的一个简化版本介绍了R语言。我们将尝试使用WHO文件的一个简化版本的不同版本来介绍R语言。在开始R的学习之旅之前，让我们先看看这个简化WHO数据文件的内容。这个文件有与上面相同的202行，但只有15列，以便我们更容易理解。这个简化WHO数据文件可在此页面顶部下载，名为WHOReduced.csv。这个简化WHO数据文件的列是

• Country：国家名称
• CountryID：国家的唯一数字ID
• Continent：国家所属大洲的数字ID，有7个值
• AdultLiteracyRate：国家的成人识字率（百分比）
• GNI：国家人均国民总收入
• Population：国家人口（以千为单位）
• PopGrowth：人口增长率（百分比）
• UrbanPop：国家城镇人口（百分比）
• BPLPop：国家贫困线以下人口（百分比）
• MedianAge：人口中位年龄（岁）
• Above60：国家60岁以上人口的百分比
• Below15：国家15岁以下人口的百分比
• FertilityRate：生育率（百分比）
• HospitalBeds：每千人拥有医院床位数
• NumberOfPhysicians：国家医生数量

我们使用这个简化数据集来理解数据的一些细微之处，并为此使用R编程语言。

2. R语言简介

R是一个用于数据分析、统计计算和图形绘制的软件环境。它也是一门编程语言，可以让我们编写一系列步骤来实现统计或机器学习的结果。R是开源的。尽管有许多数据分析软件可供选择，如SAS、Stata、SPSS、Microsoft Excel、Matlab、Minitab、pandas，但本文将使用R。

最新版本的R可以从这里下载。有一些R的图形用户界面，例如RStudio和Rattle。然而，在本文中，我们将使用R的命令行界面，并通过R控制台运行命令。以下是我拥有的R版本的截图。

在本文的其余部分，我们将通过一系列问题及其相应的答案来介绍R。

3. 使用R命令从WHO文件中获取有用信息

在本节中，我们将提出一系列问题，并使用R命令来获取答案。这将作为我们对R的介绍。

1. 如何将CSV数据读入R？

   CSV文件的数据可以通过将其读入一个数据框来加载到R中。在了解数据框之前，我们需要知道什么是向量。向量是一系列数字或字符，存储在同一个对象中。例如，R命令v = c(1, 2, 3, 4, 5)创建一个名为v的向量，该向量有五个元素，即数字1、2、3、4、5。不允许在同一个向量中混合字符和数字。两个或多个相同长度的向量可以组合成一个数据框，这是R中的一个重要数据结构。如果我们考虑两个向量v1 = c(1, 2, 3, 4, 5)和v2=c(100, 200, 300, 400, 500)，那么这两个向量可以组合成一个单一的数据框，该数据框有五行两列，第一列是第一个向量v1，第二列是第二个向量v2。最简单的情况下，数据框可以被理解为一个矩阵。但是，数据框比矩阵更通用，因为不同的列可以包含不同数据类型的数量，如下所示。

   由于我们处理的是CSV文件，R有一个简单的命令可以将整个CSV文件读入单个数据框。在执行此命令之前，您需要使用R菜单将目录更改到文件WHOReduced.csv所在的文件夹。

   	  > who = read.csv("WHOReduced.csv")	

   此命令将整个CSV文件加载到名为who的数据框中。只需将此命令键入R控制台，然后按Enter键即可运行此命令。

   接下来，我们看看这个数据的结构。

2. 如何开始理解数据的结构？

   R有一个有用的命令叫做str，它可以帮助我们理解加载到数据框中的数据的结构。

   	  > str(who)	

   运行此命令后，R控制台将输出以下内容。

   

   从这个输出中，我们可以知道有202个观测值和15个变量。这意味着有202行，每行有15个变量。这个数据框中的15个不同变量是Country, CountryID, Continent, AdultLiteracyRate, GNI, Population, PopGrowth, UrbanPop, BPLPop, MedianAge, Above60, Below15, FertilityRate, HospitalBeds, NumberOfPhysicians。其中一些变量是int类型，包含整数值。另一些是num类型，包含浮点数值。第一个变量Country是Factor类型，是一个分类变量。上面的截图显示Country有202个类别，即级别，每个级别都是唯一的国家名称。

   关于此文件中大陆的标签，在此做一个简要说明。如下表所示。严格来说，这些不是大陆的名称，但我们就以这些为准。

   大陆标签		大陆名称
   1		东地中海
   2		欧洲
   3		非洲
   4		北美洲
   5		南美洲
   6		西太平洋
   7		亚洲

   接下来，我们来看看数据的摘要。

3. 如何获取数据的摘要？

   R有另一个有用的命令叫做summary，它可以帮助我们理解加载到数据框中的数据的摘要。

   	  > summary(who)	

   运行此命令后，R控制台将输出以下输出

   

   从这个输出中，我们可以发现R已经输出了这个数据框中所有15个不同变量的摘要。对于具有数值的量，R输出了这些量 - 最小值、第一四分位数（25%的值低于该值）、中位数（50%的值低于该值）、均值、第三四分位数（75%的值低于该值）以及最大值。例如，对于变量MedianAge，这些值是最小值=15.00，第一四分位数=20.00，中位数=25.00，均值=26.74，第三四分位数=35.00，最大值=43。我们还看到一个名为NA's : 23的条目对应于变量MedianAge。这表明有23个条目的中位年龄在数据集中未列出，因此在数据框中。这23个值是不可用的。类似地，所有其他13个整数/数值变量的摘要也可以这样理解。对于因子变量Country，摘要在上面的截图中列出了前六个条目。

   R命令str()和summary()对于获取数据的结构信息和数据的摘要信息分别非常有用。

   接下来，我们对这些数据提出一些有趣的问题，并寻求答案。

4. 哪个国家15岁以下人口比例最低，哪个最高？

   为了回答这个问题，我们需要找出这个国家的索引。R命令如下：

   	  > which.min(who$Below15)	

   运行此命令后，R控制台输出答案为4。现在，使用以下命令查找国家名称：

   	  > who$Country[4]	

   答案是安道尔。上面的两个命令可以合并成一个命令，如下所示：

   	  > who$Country[which.min(who$Below15)]	

   结果与安道尔一样，安道尔是15岁以下人口比例最低的国家。

   同样，可以使用以下命令查找此数字的最大值的国家：

   	  > who$Country[which.max(who$Below15)]	

   答案是乌干达。

5. 哪个国家60岁以上人口比例最低，哪个最高？

   为了回答这些问题，像以前一样，我们输入命令：

   	  > who$Country[which.min(who$Above60)]	

   结果是阿联酋，这是60岁以上人口比例最低的国家。

   同样，可以使用以下命令查找此数字的最大值的国家：

   	  > who$Country[which.max(who$Above60)]	

   答案是日本。
6. 是否有国家的全部人口都是城市人口？

   查看数据的摘要，可以看到变量UrbanPop的最大值为100。要找出哪个国家全部人口都是城市人口，我们使用命令：为了回答这个问题，像以前一样，我们输入命令：

   	  > who$Country[which.max(who$UrbanPop)]	

   结果是摩纳哥。

   同样，使用以下命令查找该数字最小值的国家：

   	  > who$Country[which.min(who$UrbanPop)]	

   答案是布隆迪。

7. GNI与生育率的图看起来如何？

   为了回答这个问题，像以前一样，我们使用命令绘制数据：

   	  > plot(who$GNI, who$FertilityRate)	

   结果是下图所示的图

   

   我们看到这是一个大致呈三角形的图。这意味着较低的GNI对应较高的生育率，反之亦然。然而，有些国家GNI高且生育率也高。我们接下来调查这个问题。

8. 哪些国家GNI高且生育率也高？

   为了回答这个问题，像以前一样，我们对原始数据进行子集提取，如下所示：

   	  > HighVals = subset(who, GNI > 10000 & FertilityRate > 2.5)	

   这创建了一个数据子集，其中GNI大于10000且生育率大于2.5。要找出符合此类别国家数量，我们使用命令：

   	  > nrow(HighVals)	

   输出结果为9，表示有9个这样的国家。要确定符合此类别国家，我们使用命令：

   	  > HighVals[c("Country", "GNI", "FertilityRate")]	

   结果如下：

   

   这列出了9个国家及其GNI和生育率。

9. 哪个国家每人医生数量的比例最高和最低？

   为了回答这个问题，我们使用以下命令将一个向量添加到原始数据集中：

   	  > who$DrsPop = who$NumberOfPhysicians / who$Population	

   在这里，取变量NumberOfPhysicians与变量Population的比例，并将其存储在数据框who中的一个单独的向量DrsPop中。要回答上述问题，我们使用命令：

   	  > who$Country[which.min(who$DrsPop)]
         > who$Country[which.max(who$DrsPop)] 	

   这些问题的答案分别是圣马力诺（每人医生数量最高）和马拉维（每人医生数量最低）。

   使用str()命令查看数据结构将得到202个观测值和16个变量，第16个变量是新添加的DrsPop。

10. 医院床位数量的直方图是什么样的？

    为了回答这个问题，我们使用命令绘制直方图：

    	  > hist(who$HospitalBeds)	

    这显示了下图所示的直方图

    

    我们看到这个直方图高度偏斜，大多数国家的医院床位数量很少。

11. 按大洲划分的人口增长箱线图是什么样的？

    为了回答这个问题，我们使用命令绘制箱线图：

    	  > boxplot(who$PopGrowth ~ who$Continent, 
            xlab = "Continent", ylab = "Population Growth") 	

    这显示了下图所示的箱线图

    

    从这个箱线图，我们看到有些大洲的人口增长率确实为负。有些大洲的四分位距（箱子的垂直高度）非常小，这表明该大洲的人口增长率差异不大。离第一或第三四分位数超过四分位距的离群值，在上面的图中显示为圆圈。

12. 60岁以上人口变量的表格如何随大洲变化？

    为了回答这个问题，我们使用table命令如下：

    	  > table(who$Above60, who$Continent)	

    这显示了下表

    

    从这个表中，我们看到大洲2（欧洲）有11个国家，其人口的22%在60岁以上。

13. 我们能按大洲计算平均城镇人口吗？

    为了回答这个问题，我们使用tapply命令如下：

    	  > tapply(who$UrbanPop, who$Continent, mean, na.rm=TRUE)	

    tapply(arg1, arg2, arg3)命令接受三个参数，按arg2对arg1进行分组，并应用arg3。这意味着在这种情况下，tapply命令按变量Continent对变量UrbanPop进行分组，并应用平均值。上述命令中的参数na.rm=TRUE用于指示R在计算中排除NA值。

    这显示了下表

    

    我们看到，尽管大洲4（北美洲）也紧随其后，但大洲1（东地中海）的平均城镇人口最多。

14. 我们能按大洲计算平均人口增长率吗？

    为了回答这个问题，我们再次使用tapply命令如下：

    	  > tapply(who$PopGrowth, who$Continent, mean, na.rm=TRUE)	

    这显示了下表。

    

    我们看到，大洲3（非洲）的平均人口增长率最高，而大洲2（欧洲）最低。

4. 结语

在本文中，我们通过R中的简单命令，初步了解了如何查看CSV文件中的数据。我们使用的示例文件是WHOReduced.csv，这是2017年WHO数据的简化版本。我试图通过提出一系列简单但重要的数据问题来介绍R。我们了解了read.csv(), str(), summary(), which.min(), which.max(), plot(), subset(), nrow(), hist(), boxplot(), table(), tapply()等命令。我计划将来继续撰写相关文章，并使用R语言涵盖其他重要的分析工具。

同时，我鼓励您加载自己的CSV文件，尝试上面列出的命令，并让我知道您的反馈。

历史

• 2017年2月8日：版本1.0