这是一个非常简单，功能却非常强大的包
介绍
（1）visdat的目的是
vis_dat通过将数据框中的变量类显示为绘图，并使用vis_miss简要查看缺失的数据，帮助数据框的可视化。
（2）visdat有6个功能函数：
- vis_dat（）可视化一个数据框，显示列的类别，并显示缺少的数据。
- vis_miss（）只显示缺失的数据，并允许对缺失进行聚类并重新排列。vis_miss（）类似于mi包中的missing.pattern.plot。
- vis_compare（）可视化相同维度的两个数据帧之间的差异
- vis_expect（）可视化数据中满足某些条件成立的数据
- vis_cor（）在一个漂亮的热图中可视化变量的相关性
- vis_guess（）可视化数据中各个数据的类别
示例
（1）使用vis_dat（）函数
通过经典的airquality数据集（其中包含有关1973年5月至9月纽约每日空气质量测量的信息）展示vis_dat（）的功能。
代码语言：javascript复制install.packages("visdat")
head(airquality)
> head(airquality)
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
3 12 149 12.6 74 5 3
4 18 313 11.5 62 5 4
5 NA NA 14.3 56 5 5
6 28 NA 14.9 66 5 6library(visdat)
vis_dat(airquality)
上图告诉我们：R将此数据集读取为数值型或者整数型，并在Ozone和Solar.R中存在一些缺失的数据。缺少的数据由灰色表示。通过图片的输出结果我们可以看出， Ozone； Solar.R；Temp ；Month Day这几列为数字型，而Wind这一列为整数型。
（2）使用vis_miss()函数
代码语言：javascript复制vis_miss(airquality)
vis_miss()中缺失值的百分比精确到小数点后1位。可以通过设置cluster = TRUE来对缺失进行聚类：
代码语言：javascript复制vis_miss(airquality,cluster = TRUE)
通过设置sort_miss = TRUE，列也可以按缺失最多的列排列：
代码语言：javascript复制vis_miss(airquality,
sort_miss = TRUE)
当缺失率<0.1％时，或者缺少数据的数量非常少时
代码语言：javascript复制test_miss_df <- data.frame(x1 = 1:10000,
x2 = rep("A", 10000),
x3 = c(rep(1L, 9999), NA))
vis_miss(test_miss_df)
如果数据不含有任何缺失数据：
代码语言：javascript复制vis_miss(mtcars)
（3） vis_compare（）对比数据框差异
代码语言：javascript复制vis_compare（）可以显示两个相同大小的数据帧的差异。 我们来看一个例子。
set.seed(2019-04-03-1105)
chickwts_diff <- chickwts
chickwts_diff[sample(1:nrow(chickwts), 30),sample(1:ncol(chickwts), 2)] <- NA
vis_compare(chickwts_diff, chickwts)
两个数据框的差异被蓝色标出。如果尝试在列不同时比较两个数据框的差异，则会出现一个错误：
代码语言：javascript复制chickwts_diff_2 <- chickwts
chickwts_diff_2$new_col <- chickwts_diff_2$weight*2
vis_compare(chickwts, chickwts_diff_2)
# Error in vis_compare(chickwts, chickwts_diff_2) :
# Dimensions of df1 and df2 are not the same. vis_compare requires dataframes of identical dimensions.（4）vis_expect函数
vis_expect可视化数据中满足条件的值。 例如显示数据中大于25的值可以通过：
代码语言：javascript复制vis_expect(airquality, ~.x >= 25)
还可以探索一组字符串或可能的NA值，并可视化它们的位置，
代码语言：javascript复制bad_data <- data.frame(x = c(rnorm(100), rep("N/A", 10)),
y = c(rep("N A ", 30), rnorm(80)))
vis_expect(bad_data, ~.x %in% c("N/A", "N A "))
（5）为了便于绘制数据的相关性，请使用vis_cor函数：
vis_cor是基于基础R中的cor函数，并且可以指示要计算哪个相关系数： “pearson”（默认），“kendall”或“spearman”之一。
代码语言：javascript复制vis_cor(airquality, cor_method = "spearman")
可以使用na_action函数指定要对缺失数据执行的操作，该函数再次借用cor方法。例如：
代码语言：javascript复制vis_cor(airquality,
na_action = "complete.obs")
（6）vis_guess（）函数
用来猜测数据框中每个单元格是什么类型的数据。因此最好使用一些杂乱的数据进行说明：
代码语言：javascript复制messy_vector <- c(TRUE,
T,
"TRUE",
"T",
"01/01/01",
"01/01/2001",
NA,
NaN,
"NA",
"Na",
"na",
"10",
10,
"10.1",
10.1,
"abc",
"$%TG")
set.seed(2019-04-03-1106)
messy_df <- data.frame(var1 = messy_vector,
var2 = sample(messy_vector),
var3 = sample(messy_vector))
messy_df
vis_guess(messy_df)
目前vis_guess非常缓慢。 当在超过1000行的数据上使用它时，请考虑这一点。
（7）绘制交互性图片
您可以通过将它们包装在plotly :: ggplotly中来制作visdat中的图：
代码语言：javascript复制library(plotly)
ggplotly(vis_dat(airquality))
ggplotly(vis_miss(airquality))
ggplotly(vis_guess(airquality))
