最近，我正在读《深入浅出数据分析》这本书。

上期跟大家分享的书中主题是「 如何减小合理误差？ 」。

今天，我来聊聊「关系数据库」。

一张电子数据表只有两维数据：行和列。

如果你的数据表包括许多方面，则表格格式很快就会过时。

电子表格很难管理多变量数据。

关系数据库管理系统让多变量数据的存储和检索变得极其简单。

一、分析销量

1、案例背景：《数据邦新闻》希望把每期杂志的文章数量与销量关联起来，然后找出在每一期刊物上刊登文章的最优数量。

2、你需要知道数据表之间的关系。为了得到想要的答案，你创建表格，据此将文章数目和销量联系起来。因此你需要知道这些表格如何相互关联。

3、用箭头和文字说明每张数据表中记录的数据之间的关系。

二、数据库

1、数据库就是一系列相互有特定关系的数据。一个数据库就是一张表格或一组表格，表格以某种方式对数据进行管理，使数据之间的相互关系显而易见。

2、如果手头有一些相互独立的表格，但这些表格中的数据互有关系，同时又有一个关系到多张表格的问题需要解答，那么，就需要沿着相互关联的表格顺藤摸瓜。

3、创建一份穿过这条路径的电子表格。在本例中，你需要有一份能对每期文章数目和销量进行比较的表格。你需要写出公式，以便计算需要计算的数值。

4、表格下载地址：

https://resources.oreilly.com/examples/9780596153946/-/blob/master/hfda_ch12_issues.csv

https://resources.oreilly.com/examples/9780596153946/-/blob/master/hfda_ch12_articles.csv

https://resources.oreilly.com/examples/9780596153946/-/blob/master/hfda_ch12_sales.csv

5、打开“hfda_ch12_issues.csv”文件，另存为一份副本，以便工作。记住，可别把原始文件搞乱了！将新文件取名为“dispatch analysis.xls”。

6、打开“hfda_ch12_articles.csv”文件，将表格复制到“dispatch analysis.xls”文档中。

7、创建文章数目（article count）列，填入“countif”公式计算该期刊的文章数目；然后对每一期刊物复制和粘贴该公式。

=COUNTIF(hfda_ch12_articles!B:B,A2)

计算每一期刊物出现在文章列表中的次数

8、复制hfda_ch12_sales.csv文件，使其成为dispatch analysis.xls中的一个新选项卡。在用于计算文章数目的同一个工作表中，新建一个Sales（销量）列。

9、使用SUMIF公式计算期刊ID1（issueID 1）的销量数据，将公式填写在单元格C2中。复制该公式，为其余每一期刊物粘贴该公式。

=SUMIF(hfda_ch12_sales!B:B,A2,hfda_ch12_sales!C:C)

10、通过汇总将文章数目和销量关联起来，表明了《新闻》每一期刊登的文章数目与期刊销量之间的关系。

三、用R软件画散点图

1、打开R，输入getwd()指令，求出R保存数据的位置。

getwd()

2、将电子表格“dispatch analysis.xls”在该目录下另存为CSV文件。

3、执行下列指令，将数据加载到R中。

dispatch <- read.csv("dispatch analysis.csv",header = TRUE)

4、加载数据后，执行下列函数。

plot(Sales~jitter(Article.count),data = dispatch)

5、jitter指令在数字中添加了一些噪音，使数据相互分隔，以便易于在散点图上识别。

6、最优值似乎在10篇文章左右。随着文章数量上升，销量也稳步上升，直到文章数目达到10篇时，增加文章数目就与销量上升无关了。因此，显然《新闻》应坚持刊登10篇左右的文章。

四、用关系数据库管理关系

1、关系数据库管理系统（RDBMS）是最重要最有效的数据管理方法之一。

2、RDBMS中的每一行都有一把钥匙，通常成为ID（标识），钥匙可以确保这些量化关系不被破坏。

3、为了计算某个作者在网上的点击率和评价情况，以便以此评估作者的受欢迎程度，需要把三个表格组合在一起。

五、用SQL提取数据

1、SQL是Structure Query Language的缩写，即结构化查询语言，是一种关系数据库检索方法。

2、你可以通过输入代码或使用能创建SQL代码的图形界面，令数据库回答你的SQL问题。

3、你并不是非懂SQL不可，但懂得SQL绝不是坏事。重要的是，了解数据库中的各个表格及这些表格的相互关系，进而懂得如何提出正确的问题。

4、表格下载地址：

https://resources.oreilly.com/examples/9780596153946/-/blob/master/hfda_ch12_articleHitsComments.csv

5、使用下面的指令将“hfda_ch12_articleHitsComments.csv”电子表格加载到R软件中，然后用head指令查看数据。

articleHitsComments <- read.csv("C:/Users/baimi/Downloads/hfda_ch12_articleHitsComments.csv",header=TRUE)
head(articleHitsComments)

6、这次我们将用更有效的函数创建散点图。用下面这些指令加载“lattice”数据包，然后运行xyplot公式，绘制lattice散点图。

library(lattice)
xyplot(webHits~commentCount|authorName,data = articleHitsComments)

7、这个散点图集合显示出每篇文章的网站点击率和评论次数，并按作者分组。这些网络统计值分布在各个图上，但每位作者的表现各不相同。

8、很明显，Rafaela的表现最好，所有的文章点击率都在3000以上，且大部分文章都有20多篇评论，看来人们真的很喜欢。其他作者的表现有好有坏，Destiny和Nicole表现较好，Niko的表现数据很散，而Brewster和Jason则显得不太受欢迎。

9、RDBMS数据可以进行无穷无尽的比较。关系数据库意味着你可以进行巨量比较，让分析师美梦成真。

END

其他比较受欢迎的内容，希望对你有帮助：

如何给老板发工资？这样做节税15.6万

一次通关！全网最全CPA综合备考攻略

考CPA有什么用？告诉你不一样的答案

我的5年CPA考证之旅

如何用回归分析预测未来？

看完点个赞，以后分享更多 。