目录

一、基本情况 

二、数据清洗

三、随机森林确定重要指标 

今天来和大家分享一个案例，通过已有的数据集分析判断行业财务造假的情况，首先我们来看一下数据的基本情况。

这是附件2，也就是主要分析所要用到的数据，我们主要的目的就是把这些行业分类，然后分析出各个行业有关财务造假的变量有哪些（看图中的第一个变量，那个就是企业代码，每个代码都会对应一个行业），这个数据量是比较庞大的，我们把它导入到RStudio里面让大家看一下概况。

由于附件2时csv文件格式的，所以我们直接利用read.csv函数即可导入，不需要其他的相关包 ，导入后我们利用summary（）函数来查看数据集的一些基本信息，如下所示：

这里其实只截取了一部分，不过这些基本情况在本次分析中不是重点，所以不在这里赘述了，我们看一下数据的规模：

这是导入后的工作环境中对data的描述，3563个观测值，也就是样本，变量则多达 363个，我们最后的目的就是从这363个变量中确定最重要的那几个。

附件2介绍完了，接下来给大家看看附件1和附件3，这两个附件主要是对附件2的补充说明，我们同样将其导入R内来观察其基本情况。