使用 Azure 机器学习工作室进行描述统计

描述性统计是统计学中描述数据的领域。它对于数据理解和探索非常有用，这是机器学习中一项极其重要的任务。它还用于识别数据错误和异常，这是机器学习中一项重要的数据建模任务。在本指南中，您将了解如何使用 Azure 机器学习工作室为数据中的变量生成描述性统计信息。

在本指南中，您将使用 Azure 机器学习工作室中提供的成人人口普查收入二元分类数据集。这是 1994 年人口普查数据库的一个子集，使用年龄超过 16 岁且调整后收入指数大于 100 的在职成年人。该数据用作分类机器学习问题，其目标是使用人口统计数据对人群进行分类，以预测一个人的年收入是否超过 50,000 美元。数据来自UCI 机器学习存储库。

登录 Azure 机器学习工作室帐户后，单击左侧栏上列出的EXPERIMENTS选项，然后单击NEW按钮。接下来，单击空白实验并将工作区命名为描述性统计。将显示以下屏幕。

在“已保存的数据集”选项下，将“成人人口普查收入二元数据集”拖到工作区中。右键单击并选择“可视化”选项以浏览数据。

数据包含 32561 行和 15 列。选择任何变量都会显示其统计数据，如下所示。

上面的输出显示Income是字符串要素类型。该要素和类似要素将转换为分类要素。

下面重点介绍了描述统计中最常用的指标。

1. 平均值：平均值表示数据的算术平均值。计算方法是将数值相加，然后除以观测值的数量。

2. 中位数：数据中某个变量按升序或降序排列时，位于最中间的值即为中位数。

3. 众数：众数表示数据中变量出现频率最高的值，是唯一可以用于数字和分类变量的集中趋势测量。

4. IQR：四分位距 (IQR) 计算为第三四分位数 (第 75 个百分位数) 和第一四分位数 (第 25 个百分位数) 之间的差值。

5. 范围：变量的最大值与最小值之间的差值决定了变量的范围。

以下部分概述了 Azure 机器学习工作室中的实现。

第一步是将变量转换为正确的数据类型。搜索并将编辑元数据模块拖到工作区中。

单击工作区右侧的启动列选择器选项，然后从可用列中选择字符串变量。

做出选择后，所选列将显示在工作区中。接下来，从“分类”下的下拉选项中选择“制作分类”选项。

接下来，单击工作区底部的“运行”按钮，然后右键单击以可视化输出。

上面的输出显示变量workclass已转换为Categorical Feature。

汇总数据模块用于为数据集中的变量生成描述性统计数据。此模块位于统计函数类别中。搜索并将其拖到工作区中。

运行实验，然后右键单击选择“可视化”以查看输出。

生成以下输出。您可以查看每个变量的计数、缺失值计数、平均值、中位数和众数等统计指标的范围。

变量年龄没有缺失值，平均值、中位数和众数分别为 38.6 岁、37 岁和 36 岁。最小年龄值为 17 岁，最大年龄为 90 岁。这意味着年龄变量的范围是 73岁。四分位数间距可以通过计算第一四分位数（28 岁）和第三四分位数（48 岁）之间的差值来计算。这给出了 IQR 值为 20 岁。

以同样的方式，可以计算数值变量的描述统计数据。上面的输出还显示存在缺失值。建议清除缺失值并再次查看汇总统计数据。

搜索并将清理缺失数据模块拖到实验工作区中。将编辑元数据模块与清理缺失数据模块的输入端口连接起来。

在工作区的右侧，有不同的选项可用于执行“清理缺失数据”操作。有几种处理缺失值的方法。其中一种高级技术是使用MICE技术。MICE 代表通过链式方程进行多元插补，其工作原理是为多元缺失数据创建多个插补（替换值）。在“清理模式”选项卡下，选择“使用 MICE 替换”选项。将所有其他选项保留为默认值。

运行实验，实验运行完成后，右键单击并选择Visualize。生成以下输出。

现在选择任何变量都将显示零缺失值。接下来，您将使用汇总数据模块再次汇总数据。将该模块与清理缺失数据模块拖拽并连接起来，然后运行该模块。

模块运行完成后，右键单击并选择可视化选项。

下面的输出显示缺失值已被处理。

您可以使用R 中的summary()函数打印所有变量的摘要统计信息。执行 R 脚本模块可用于在机器学习实验中执行 R 代码。

首先，搜索并添加执行 R 脚本模块到您的实验中。接下来，将数据连接到执行 R 脚本模块的第一个输入端口（最左边）。

单击模块，在**属性**窗格下，您将看到编写 R 脚本的选项。输入代码，如下所示。

您也可以从下面复制代码。

运行实验，成功完成后，右键单击并选择“可视化”以再次查看数据。