1.2 第一次勘验：把iris装进工作区

1.2 第一次勘验：把 iris 装进工作区

本节摘要：正式开卷鸢尾花案。用 data 装载 iris 数据集，用 str、summary、head、tail、dim 完成标准化的首次检视流程，看懂 R 如何"描述"一份数据，并学会查看数据框的行列与取值。

案发现场：150 朵花的测量卷宗

R 自带一批历史案卷供练手，iris 是其中最著名的一份：150 行，每行一朵花，前四列是萼片长宽与花瓣长宽（单位厘米），第五列是物种名。首次勘验要回答三个问题：证据有多少？每列是什么类型？数值大概什么范围？

# 调阅案卷
data(iris)

# 问题一：证据有多少——150 行 5 列
dim(iris)

# 问题二：每列什么类型
str(iris)
​

str 的输出值得逐行读一遍：

'data.frame': 150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.1 0.2 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor","virginica": 1 1 ...
​

四列 num（数值），一列 Factor 且只有 3 个水平——这一行信息量极大：物种列不是自由文本，是登记在册的三个类别。

勘验三件套

# 数值证据的分布轮廓：最小值、四分位数、中位数、均值
summary(iris$Sepal.Length)

# 查看卷宗开头与结尾各 6 行——两头都要看，防止末尾混入脏数据
head(iris)
tail(iris)

# 物种的证物清点：每种各 50 朵，三方证据均衡
table(iris$Species)
​

$ 是取列的手势：iris$Sepal.Length 读作"iris 案卷里的 Sepal.Length 这一列"。取出来的是一个向量——下一节专门讲它。

首次勘验标准流程

💡 关键直觉：summary 输出里，均值和中位数差距明显，往往提示偏态或离群值；分位数间距比标准差更"抗干扰"。第一次看数据就盯住这两处，很多问题在勘验阶段就能暴露。

勘验再深入：单列、子集与取值清点

三件套之外，真正开始"翻卷宗"还要会三件事：切出一部分行、按条件筛、数清每个取值出现几次。继续在 iris 上演练：

# 切出前 10 朵 setosa 的测量记录：先筛物种，再看花瓣两列
setosa10 <- iris[iris$Species == "setosa", ]
setosa10[1:10, c("Petal.Length", "Petal.Width")]

# 按条件数证据：花瓣宽度小于 0.5 厘米的有多少朵？都是谁？
table(iris$Species[iris$Petal.Width < 0.5])
# 输出：
#    setosa versicolor  virginica
#        46          0          0

# 唯一取值与重复检查：测量值有没有登记重样？
length(unique(iris$Sepal.Length))   # 35 个不同取值
sum(duplicated(iris))               # 0，整行重复没有
​

第三段输出给了一个早期案情判断：花瓣宽度小于 0.5 的花全部是 setosa，一个例外都没有——这已经是一条可用的分类线索，第 6 章建模时会正式兑现它。

异常勘验：当案卷不再干净

iris 是教科书级的干净数据，真实案卷几乎从不是。下面手工造一份带问题的卷宗，演练"勘验时发现脏证据"的标准动作：

# 造一份带问题的卷宗：塞入缺失值和一个离群值
df <- data.frame(
  height = c(170, 165, NA, 180, 175, 999),
  gender = c("F", "F", "M", "F", "男", "F")
)

# 缺失清点：哪列有多少 NA
colSums(is.na(df))
# 输出：height 1 处，gender 0 处

# 数值合理性检查：999 显然不是人类身高
summary(df$height)
# Min 165 / Median 172.5 / Max 999 —— 最大值直接暴露问题

# 类别取值检查：性别里混进了中文登记
table(df$gender)
# 输出里同时出现 "F" "M" "男"，口径不统一
​

这一段先"制造现场"再勘验，是为了演示思路：summary 看极值、table 看取值集合，两招就能抓住大多数低级登记错误。修复动作（缺失插补、口径统一）是第 2 章的正题，这里只需会"发现问题并记录在案"。

str 与 summary 的分工：一张对比表

勘验时按 结构 → 分布 → 记录 → 计数 → 缺失 的顺序走一遍，五步下来对任何新数据集都能形成基本判断。

概念辨析：数据框、tibble 与矩阵

• 数据框：列可以有不同类型，是 R 存案卷的标准容器，iris 就是它。
• 矩阵：所有元素同类型，做线性代数运算快，但塞不进"数值 + 物种名"这种混合证据。
• tibble：tidyverse 版数据框，打印时自动截断显示并标注类型，str(as_tibble(iris)) 体验一下即可；两者可用 as.data.frame() 互相转换，本册前四章统一用基础数据框，降低概念负担。

本节要点回顾

• data 装载、str 检视：首次勘验的固定起手式
• str 一行看三件事：变量名、类型、取值样子
• summary 给数值画像：极值、四分位、均值一目了然
• head 与 tail 都要看：脏数据常藏在卷宗末尾
• table 清点分类：类别证据的数量结构决定后面检验方法的选择