与许多其他领域不同，数据科学项目应该从重点问题开始。除非我们带着特定的目标去分析和理解数据，否则一张数据表格本身并没有什么用。如果没有一个预定的目标，我们将不知道从哪里开始--在数据中寻找什么，如何分析它，哪些无关的元素应该被删除等等。
举个例子。下面的数据链接给出了印度从1901年到2017年的月度、季节和年度最高温度。默认格式为CSV格式。
我们将用R导入数据，并检查一些字段，以获得对所给数据的感觉。
# Import the data and look at the first six rows and the last six rows.
> weather_data <- read.csv(file = 'E:/localhost/datascience/Max_Temp_IMD_2017.csv')
> head(weather_data)
YEAR JAN FEB MAR APR MAY JUN JUL AUG SEP OCT
1 1901 22.40 24.14 29.07 31.91 33.41 33.18 31.21 30.39 30.47 29.97
2 1902 24.93 26.58 29.77 31.78 33.73 32.91 30.92 30.73 29.80 29.12
3 1903 23.44 25.03 27.83 31.39 32.91 33.00 31.34 29.98 29.85 29.04
4 1904 22.50 24.73 28.21 32.02 32.64 32.07 30.36 30.09 30.04 29.20
5 1905 22.00 22.83 26.68 30.01 33.32 33.25 31.44 30.68 30.12 30.67
6 1906 22.28 23.69 27.31 31.93 34.11 32.19 31.01 30.30 29.92 29.55
NOV DEC ANNUAL JAN.FEB MAR.MAY JUN.SEP OCT.DEC
1 27.31 24.49 28.96 23.27 31.46 31.27 27.25
2 26.31 24.04 29.22 25.75 31.76 31.09 26.49
3 26.08 23.65 28.47 24.24 30.71 30.92 26.26
4 26.36 23.63 28.49 23.62 30.95 30.66 26.40
5 27.52 23.82 28.30 22.25 30.00 31.33 26.57
6 27.60 24.72 28.73 23.03 31.11 30.86 27.29
> tail(weather_data)
YEAR JAN FEB MAR APR MAY JUN JUL AUG SEP OCT
112 2012 23.61 26.44 30.20 32.46 34.30 33.60 31.88 30.96 30.65 30.20
113 2013 24.56 26.59 30.62 32.66 34.46 32.44 31.07 30.76 31.04 30.27
114 2014 23.83 25.97 28.95 32.74 33.77 34.15 31.85 31.32 30.68 30.29
115 2015 24.58 26.89 29.07 31.87 34.09 32.48 31.88 31.52 31.55 31.04
116 2016 26.94 29.72 32.62 35.38 35.72 34.03 31.64 31.79 31.66 31.98
117 2017 26.45 29.46 31.60 34.95 35.84 33.82 31.88 31.72 32.22 32.29
NOV DEC ANNUAL JAN.FEB MAR.MAY JUN.SEP OCT.DEC
112 28.11 25.34 29.81 25.03 32.33 31.77 27.88
113 27.83 25.37 29.81 25.58 32.58 31.33 27.83
114 28.05 25.08 29.72 24.90 31.82 32.00 27.81
115 28.10 25.67 29.90 25.74 31.68 31.87 28.27
116 30.11 28.01 31.63 28.33 34.57 32.28 30.03
117 29.60 27.18 31.42 27.95 34.13 32.41 29.69
>
我们可以看到，该数据列出了1901年至2017年的月度最高温度。该数据被分为单个月份、年度和四个季节。那么，现在我们有了这些数据，我们该如何开始？嗯，说实话，我不知道。除非有人问我与这个数据集有关的具体问题，否则我就只能盯着它。如果有人问我一个特定的问题。
这些年来，4月份的最高温度是否增加了？
现在有了这个特定的问题，我就可以用给定的数据来回答它了。我现在可以轻松地忽略数据集中的所有列，也许只导入 "四月 "列。
# Modify the dataframe to only include columns 1 and 5 (YEAR, APR)
> weather_data = weather_data[,c(1, 5)]
由于这是一个简单的时间序列数据，我们可以用ggplot轻松地绘制它。将数据绘制成时间序列，并启用平滑处理（loess），我们将得到以下图表。我们可以很容易地看到，4月份的最高温度确实在逐年增加。
library(ggplot2)
weather_data <- read.csv(file = 'E:/localhost/data/Max_Temp_IMD_2017.csv')
ggplot(data = weather_data, aes(x = YEAR, y = APR)) +
ggtitle("Maximum temperature in April from 1901 - 2017") +
geom_line() +
geom_smooth(method="loess")
