到分组可视化，避开常见陷阱)
简介：这份PDF文档面向R语言初学者与数据分析入门者，系统讲解描述性统计分析的完整方法体系，帮助读者快速掌握从基础统计量计算到分组分析与可视化的核心技能。内容覆盖summary()、sapply()等内置函数，偏度与峰度的自定义函数实现，Hmisc与psych包的describe()进阶用法，以及aggregate()、by()、doBy包的summaryBy()分组统计方案，并借助ggplot2绘制直方图与箱线图直观呈现数据分布特征。资源包共1个PDF文件，约98KB，篇幅精炼、代码示例完整，便于随时查阅与对照练习。目前已有553人学习下载，适合希望夯实R语言统计基础、为数据挖掘与机器学习进阶做准备的学习者参考使用。
1. 描述性统计：为什么 summary() 给出的答案经常不够用
很多人第一次在 R 里做描述性统计，都是敲一句summary(mtcars)，看到最小值、四分位数、均值、最大值齐刷刷列出来，就觉得这件事已经做完了。但真正拿这份结果去支撑后续建模或汇报时，问题立刻冒出来：均值和中位数差得很远，到底该信哪个？偏度和峰度在哪？分组之间的差异怎么比？summary()给的是「默认套餐」，它不告诉你数据分布的形状，也不告诉你某个统计量在分组维度上是否稳定。描述性统计分析在数据科学里之所以是基石，不是因为它简单，而是因为它是你判断「这份数据能不能继续往下用」的第一道关卡。搞懂 R 里这套函数的分层设计——哪些是通用入口、哪些是向量化工具、哪些是包提供的扩展——比记住几个函数名重要得多。下面从机制层面拆开讲。
2. summary() 与 sapply()：通用入口和向量化工具的分工
2.1 summary() 的泛型分派机制
summary()在 R 里不是一个普通函数，而是一个泛型函数（generic function）。你调用summary(mtcars[myvars])时，R 会根据第一个参数的 class 去查找对应的方法，比如summary.data.frame、summary.factor、summary.numeric。这就是为什么同一个summary()对数值列给出四分位数和均值，对因子列却给出频数统计——分派到了不同的方法实现上。
data(mtcars) myvars <- c("mpg", "hp", "wt") summary(mtcars[myvars])这段代码背后发生的事：mtcars[myvars]先做列子集，得到一个只含三列的数据框；summary()识别到 data.frame，逐列调用各自的 summary 方法。数值列走summary.default，计算min、quantile(x, c(.25,.5,.75))、mean、max，其中分位数默认用 type 7 的插值算法。这个细节值得注意：四分位数的计算方式在不同 type 下结果会有微小差异，做严格对比时要显式指定quantile()的type参数。
summary()的价值在于「一眼看全」，它的局限也在这里：它固定输出那几个统计量，你没法让它顺便算个偏度，也没法让它按分组拆开。它适合做第一轮扫描，不适合做定制化报告。
2.2 sapply() 的向量化循环本质
sapply()是lapply()的简化包装：对列表或数据框的每一列应用函数，再尝试把结果简化成向量或矩阵。数据框本质上是等长向量的列表，所以sapply(mtcars[myvars], mean)等价于对三列分别求均值再拼起来。
# 对每个变量分别计算多个统计量 sapply(mtcars[myvars], mean) # 均值 sapply(mtcars[myvars], sd) # 标准差 sapply(mtcars[myvars], quantile) # 五分位摘要关键机制在于「简化」这一步：如果每次应用返回标量，结果就是命名向量；如果返回等长向量（如quantile返回 5 个数），结果就自动变成矩阵，行是统计量、列是变量。这个行为让sapply特别适合批量套用mean、sd、var、min、max、median、range、quantile这类函数。
但sapply有个血泪经验级的坑：当某列全是 NA 或返回长度不一致时，简化会失败或悄悄改变结构。稳妥做法是用vapply()显式声明返回类型和长度，或者用sapply(..., simplify = FALSE)保留列表。很多人第一次遇到「结果维度对不上」的翻车，根源就在这里。
提示：
sapply的简化规则是「能简化就简化」，这在交互式探索时很方便，但在写可复用脚本时建议换成vapply，让返回结构可预期。
3. 自定义统计函数：偏度和峰度为什么内置函数不给
3.1 偏度与峰度的计算逻辑
R 的基础包不直接提供偏度和峰度，这不是遗漏，而是设计取舍：这两个统计量对样本量和小样本偏差敏感，不同教材的定义（是否做无偏校正）也不统一，基础包选择不替你拍板。原文给出的自定义函数是这样的：
mystats <- function(x, na.omit = FALSE) { if (na.omit) x <- x[!is.na(x)] m <- mean(x) n <- length(x) s <- sd(x) skew <- sum((x - m)^3 / s^3) / n kurt <- sum((x - m)^4 / s^4) / n - 3 return(c(n = n, mean = m, stdev = s, skew = skew, kurtosis = kurt)) } sapply(mtcars[myvars], mystats)逐行看机制：m是样本均值，s是样本标准差（分母 n-1），skew用三阶标准矩，kurt用四阶标准矩再减 3，减 3 是为了让正态分布的峰度归零，得到「超额峰度」。这里有个容易被忽略的点：skew和kurt的分母用的是s^3、s^4，而s是 n-1 校正后的标准差，但外层又除以n，严格来说这是「样本矩」和「无偏估计」的混合写法。常见的实现思路是：探索性分析用这套近似足够，若要做统计推断，应改用e1071或moments包里带偏差校正的版本。
na.omit参数的设计也值得说：默认FALSE时 NA 会污染整个结果（mean返回 NA），显式打开才剔除。这是 R 的一贯风格——不替你做隐式清洗，让你自己决定缺失值怎么处理。
3.2 自定义函数的复用边界
这个mystats的真正价值不在偏度峰度本身，而在于它示范了「把一组统计量打包成一个返回命名向量的函数」这个模式。一旦函数返回命名向量，它就能无缝接入sapply、by、aggregate、summaryBy等所有「按列或按组套函数」的框架。换句话说，你写的不是五个统计量，而是一个能被整个 R 生态调用的统计单元。
参数层面要注意：x必须是数值向量，传因子会报错；na.omit是逻辑开关，别传字符串。如果数据里有Inf，mean会返回Inf，skew会变成NaN，这时要先做is.finite()过滤。我一般会在函数开头加一句x <- x[is.finite(x)]作为防御，代价是丢失对无穷值的感知，取舍看场景。
4. Hmisc 与 psych 的 describe()：同名函数背后的不同哲学
4.1 两个 describe() 的输出差异
Hmisc::describe()和psych::describe()同名但不同源，这是 R 包生态里常见的「命名撞车」。Hmisc的版本偏向「报告式输出」：它返回一个结构化对象，打印时给出每个变量的观测数、缺失数、唯一值数、均值、分位数、五个最低和最高值，适合做数据质量核查。psych的版本偏向「矩阵式输出」：直接返回一个数据框，列包括n、mean、sd、median、min、max、range、skew、kurtosis、se，适合直接拿去做表格或后续计算。
library(Hmisc) describe(mtcars[myvars]) # 报告式，含极值明细 library(psych) describe(mtcars[myvars]) # 矩阵式，含偏度峰度标准误机制上的差别来自返回类型：Hmisc::describe()返回describe类对象，有专门的print.describe方法；psych::describe()返回普通 data.frame。这意味着前者适合人读，后者适合程序继续处理。选哪个不取决于谁「更全」，而取决于你的下游是打印还是计算。
4.2 命名空间冲突与加载顺序
两个包都导出describe，同时library()时后加载的会遮蔽先加载的。这是新手最常踩的坑之一：明明装了Hmisc，调用的却是psych的版本，输出格式对不上还以为是版本问题。稳妥写法是显式加命名空间前缀Hmisc::describe()或psych::describe()，或者在脚本里用conflicts()检查。
psych::describe()还有一个实用参数fast = TRUE，跳过一些耗时计算，在大数据框上能明显提速；Hmisc::describe()则可以通过digits控制输出精度。这些参数原文没展开，但它们是这两个函数在实际项目里真正拉开差距的地方。
注意：不要在同一段分析里混用两个
describe()的结果做对比，它们的峰度定义和缺失值处理策略不完全一致，直接比数字会得出错误结论。
5. 分组描述性统计：aggregate、by、summaryBy 的三种实现路径
5.1 aggregate() 的公式接口
aggregate(mpg ~ cyl, data = mtcars, mean)用的是公式接口，左边是被统计的变量，右边是分组变量。它的内部机制是先按cyl把数据拆成子集，对每个子集调用FUN，再把结果按分组值拼回数据框。返回的是规整的 data.frame，适合直接进下游流程。
# 单变量分组均值 aggregate(mpg ~ cyl, data = mtcars, mean) # 多变量分组，FUN 返回多统计量 aggregate(cbind(mpg, hp, wt) ~ cyl, data = mtcars, FUN = mystats)注意cbind()的用法：当被统计变量多于一个时，要用cbind包起来，否则公式解析会出错。aggregate对FUN返回多值的情况会展开成多列，列名带统计量后缀，这个行为在生成报告时很方便，但列名可能不是你想要的，需要后续rename。
5.2 by() 的列表返回结构
by()的分组逻辑和aggregate类似，但返回的是by类对象——本质是一个列表，每个元素对应一个分组的结果。原文的写法是：
dstats <- function(x) sapply(x, mystats) by(mtcars[myvars], mtcars$cyl, dstats)这里dstats对每个分组的子数据框再套一层sapply，所以每个分组返回一个「统计量 × 变量」的矩阵。by()的优点是保留完整结构，适合分组后还要做进一步逐组处理的场景；缺点是打印出来是一长串列表，不如aggregate的表格直观。索引方式也不同：result[["4"]]取 4 缸组的结果。
5.3 summaryBy() 的公式化封装
doBy::summaryBy()把「公式 + 自定义函数」封装得更彻底：
library(doBy) summaryBy(mpg + hp + wt ~ cyl, data = mtcars, FUN = mystats)它的机制是解析公式、按分组变量切分、对每个数值变量应用FUN、再把结果横向拼接。相比aggregate，它对多统计量返回值的列名处理更友好，直接生成mpg.mean、mpg.skew这样的扁平列名。代价是多一个依赖包，且FUN的返回必须是命名向量，否则列名会变成默认序号。
三种路径的选择逻辑：要规整表格进下游用aggregate；要保留分组对象做逐组深挖用by；要快速生成带统计量后缀的宽表用summaryBy。它们不是互相替代关系，而是同一机制在不同抽象层上的封装。
6. 可视化与避坑：ggplot2 图层语法和五个高频翻车点
6.1 ggplot2 的图层映射机制
ggplot2的核心是「图形语法」：数据映射到美学属性（aes），几何对象（geom）决定画什么，统计变换（stat）决定怎么算。原文的两个例子正好体现这个分层：
library(ggplot2) # 直方图：binwidth 控制分箱宽度 ggplot(mtcars, aes(x = mpg)) + geom_histogram(binwidth = 1, fill = "blue", color = "black") # 箱线图：x 映射为因子，y 映射为数值 ggplot(mtcars, aes(x = factor(cyl), y = mpg)) + geom_boxplot()binwidth = 1是直方图最容易翻车的参数：太大把分布抹平，太小让噪声主导。箱线图里factor(cyl)不能省，否则cyl会被当成连续变量，箱体位置错乱。这两个细节原文一笔带过，但它们是「图画出来不对」的最常见原因。
6.2 常见问题与排查
现象一：summary()结果里出现大量 NA。原因：列中存在缺失值，mean等函数默认不剔除。解决：对相关函数加na.rm = TRUE，或在自定义函数里用na.omit开关统一处理。
现象二：sapply返回矩阵但维度对不上。原因：某列返回长度与其他列不一致，简化规则失效。解决：改用vapply指定FUN.VALUE，或simplify = FALSE保留列表后手动合并。
现象三：两个describe()输出格式完全不同。原因：命名空间被后加载的包遮蔽。解决：显式写Hmisc::describe()或psych::describe()，并用conflicts()排查。
现象四：aggregate多变量分组报错。原因：公式左边多个变量没用cbind()包裹。解决：写成cbind(mpg, hp, wt) ~ cyl。
现象五：箱线图 x 轴分组错乱。原因：分组变量是数值型，被当作连续轴。解决：在aes里用factor()转换，或在数据预处理阶段就转成因子。
7. 设计取舍：为什么 R 把描述性统计拆成这么多层
R 没有提供一个「一键全搞定」的描述性统计函数，这不是历史包袱，而是一种刻意的分层设计。基础层的summary()保证任何数据框都能被快速扫描，不依赖外部包；sapply提供向量化的通用套用能力，让你用任意函数扩展；偏度峰度这类有定义分歧的统计量被推到自定义函数和第三方包里，把「用哪种定义」的决定权交还给分析者；分组统计则通过aggregate、by、summaryBy三种抽象层覆盖不同下游需求。每一层都在回答同一个问题：这个决定该由谁来做。
这种设计的代价是学习曲线——你得知道什么时候用哪一层。但收益是可组合性：自定义的mystats能同时喂给sapply、by、summaryBy，psych::describe()的输出能直接进ggplot2做可视化。对比那些「一个函数出全部结果」的工具，R 的这套机制在需要定制报告或接入自动化流程时明显更灵活。
验证这套机制是否用对，有个简单方法：拿一份含缺失值和分组变量的数据，分别走summary→sapply(mystats)→aggregate→ggplot四步，检查每一步的输出结构是否符合预期。如果某一步维度或列名突变，问题一定出在那一层的参数或返回类型上，而不是数据本身。
我自己的习惯是：任何一份新数据进来，先跑summary()看全局，再用psych::describe()补偏度峰度，分组维度一律用aggregate出规整表，最后用箱线图核对分组分布。这套流程走过一遍，后面建模时遇到「均值被极端值带偏」之类的玄学问题，基本都能回溯到描述性统计阶段就埋下的伏笔。从那以后我每次拿到数据都强制走一遍这四步，再决定要不要清洗。希望帮到你。
本文还有配套的精品资源，点击获取
