R语言msleep数据集分析：从缺失值处理到回归建模

做数据分析的人，练手作品集或者复习 R 语法的时候，迟早会碰到一套与哺乳动物睡眠相关的公开数据。最近我把 R 语言里这套经常被叫成 sleep 数据集的哺乳动物睡眠记录完整跑了一遍，从数据检查、缺失值处理、可视化，一路做到相关分析和回归建模。整套流程做下来之后我有个很直接的感受：这套数据只有 83 行 11 列，量级不大，但既有数值变量也有分类变量，既有完整记录也有缺失值，几乎涵盖了一次基础数据分析要走的全部环节，很适合刚学完 R 基础语法、想拿真实数据做综合练习的人。这篇文章就把我的完整思路、踩过的坑和可用代码整理出来，给后续想拿它做作品集或练手的人一个参考。

1. 数据集底细：sleep 里到底有什么，以及它和 msleep 的关系

先解决一个最容易让人困惑的问题。很多网课和博客把这个数据集写成 "sleep 数据集"，你如果在 RStudio 里直接敲data(sleep)，调出来的其实是另一份经典数据——关于两种药物对学生睡眠影响的配对实验数据，一共才 10 行，和哺乳动物睡眠没有关系。真正包含哺乳动物睡眠记录的数据集，在 R 生态里通常是通过ggplot2包加载的msleep，因为变量名里大量出现 sleep，圈内口语里就习惯叫它 sleep 数据集。为了避免读者跑代码时卡在第一步，我这篇文章统一使用msleep作为数据对象名，但全文内容对应的就是标题里说的那套哺乳动物睡眠时间数据。

library(ggplot2) data(msleep)

加载之后先确认数据结构，这一步别看它简单，很多人会跳过，结果后面画图报错半天找不到原因。

dim(msleep) # 83 11 names(msleep) # 列名列表 str(msleep) # 每一列的类型和取值情况 summary(msleep) # 数值变量的五数概括和缺失量

1.1 每一列到底是什么，能回答什么问题

msleep收集了 83 种哺乳动物的睡眠和相关生态指标。把变量拆开看，大致可以分成三类：标识信息、睡眠信息、身体与生态信息。

我在分析时最关心的是sleep_total，它是整个分析的响应变量；brainwt和bodywt是考察"体型越大是否睡得越少"这个经典问题的主要自变量；vore则是用来做分组比较的分类变量，比如食虫动物和植食动物在睡眠模式上有没有系统性差异。sleep_rem和sleep_cycle虽然信息量很大，但缺失偏多，使用时要格外留意样本量。

1.2 为什么这套数据值得专门写一轮分析

这套数据最有价值的地方在于它不是一张冷冰冰的随机数表，而是带有真实生态学背景的观测数据。你可以问出有实际意义的问题，比如"吃肉的是不是普遍比吃草睡得少""脑容量大的动物会不会牺牲睡眠时间"，而不是只为了跑一个回归而凑变量。这种"数据背后有故事"的特质，让最后写出的分析报告更像一个完整的小项目，而不是课堂作业。

当然，它也是典型的观察数据，不是随机对照实验的结果，所以无论分析出什么模式，都只能描述相关性，不能直接说"食性导致了睡眠差异"。这一点我会在后面的建模解读里反复强调，也是用人单位或者导师看作品集时最容易追问的地方。

2. 缺失值处理：加载数据之后先别急着画图

很多人拿到数据的第一反应是直接summary()然后开始画图，但其实最容易埋坑的是缺失值。我这次在预处理阶段就把缺失情况全部列了一遍，后面的分析才没有反复被报错打断。

missing_counts <- apply(is.na(msleep), 2, sum) missing_counts[missing_counts > 0]

在我当前加载的版本里，vore缺失 7 条，conservation缺失 29 条，sleep_rem缺失 22 条，sleep_cycle缺失 30 条。这个缺失量级对只有 83 行的数据集来说相当可观。

2.1 缺失值的处理策略：不能无脑drop_na

这里是我这次分析里最重要的实操经验之一：不要一上来就drop_na()，否则会吃大亏。

如果直接用na.omit(msleep)删掉所有含缺失的行，数据集会从 83 行掉到大约 30 行左右，你后面建模、画分面图、做分组比较时，样本量都不够看。正确做法是根据当前环节需要的变量来决定数据保留范围：

• 画sleep_total分布图时，只需要这一列非缺失，所有物种基本都能用上。
• 按vore分组比较睡眠时长时，只要vore和sleep_total同时非缺失就行。
• 做完整回归建模时，才需要保证进入模型的全部变量非缺失，这时样本量会明显缩减，要在结果解读里明确写出实际样本量。

这样"按需裁剪"的处理方式，既能保留尽可能多的信息，也贴合真实工作中的分析习惯。我处理缺失值时用了这样的代码：

library(dplyr) msleep_clean_vore <- msleep %>% filter(!is.na(vore), !is.na(sleep_total)) msleep_model <- msleep %>% filter(!is.na(vore), !is.na(sleep_total), !is.na(brainwt), !is.na(bodywt))

2.2 变量类型转换与派生变量

vore和conservation看起来是字符型，但如果要在回归里当因子使用，最好显式转换成factor。我还顺手创建了两个对数变换变量：log_brainwt和log_bodywt，原因是体重和脑重数据量级差异太大，小到几克的鼩鼱，大到几吨的鲸类，不取对数时散点图基本挤在左下角，看不出任何趋势。

msleep <- msleep %>% mutate( vore = factor(vore), conservation = factor(conservation), log_brainwt = log10(brainwt), log_bodywt = log10(bodywt) )

这一步做的逻辑在后面可视化章节会体现得更清楚。对数变换不是为了炫技，而是让跨数量级的数据能在同一张图里公平地展示线性关系。

3. 探索性可视化：先让数据自己说话

数据规整好之后，不要急着建模。先用三张图从不同角度把变量关系摸个底，这个顺序基本适用于所有数据分析项目。

3.1 睡眠总时长的分布形态

ggplot(msleep, aes(x = sleep_total)) + geom_histogram(bins = 12, fill = "steelblue", color = "white", alpha = 0.9) + labs(title = "哺乳动物每日睡眠总时长分布", x = "睡眠总时长（小时）", y = "物种数量")

从分布来看，大多数物种每天睡 5 到 14 个小时，峰值大概落在 8 到 11 小时这个区间，右侧拖着一条较长的尾巴，少数物种像某些蝙蝠可以睡到 19 小时以上，而长颈鹿、大象则只需要睡 2 到 4 小时。这种轻度偏态的分布提醒我，后面如果做线性回归，模型对极端值的敏感度需要留意。

3.2 不同食性下的睡眠差异

ggplot(msleep_clean_vore, aes(x = vore, y = sleep_total, fill = vore)) + geom_boxplot(outlier.colour = "firebrick", outlier.size = 1.5, alpha = 0.7) + labs(title = "不同食性哺乳动物的睡眠时长对比", x = "食性", y = "睡眠总时长（小时）") + theme(legend.position = "none")

这张图信息量很大。直观来看，食虫动物的睡眠时间较长，中间水平大概在 15 小时上下；植食动物睡眠时间相对较短，中位数在 10 小时以下；杂食动物和肉食动物居中。这个模式在生态学上是有解释空间的：食虫动物吃的昆虫能量密度低，可能需要更多时间消化和休息，而植食动物要花大量时间觅食，同时还要警惕捕食者，睡眠时间自然被压缩。

不过要提醒一句：箱线图只是描述性观察，组间差异是否显著，还需要后面用方差分析或者回归来控制其他变量。而且各组样本量很不平衡，食虫动物只有 8 种左右，植食动物却有二十多种，解读时要谨慎。

3.3 体型与睡眠的关系：对数变换的效果

ggplot(msleep, aes(x = log_bodywt, y = sleep_total, color = vore)) + geom_point(size = 2.5, alpha = 0.8) + geom_smooth(method = "lm", se = FALSE, color = "gray40", linewidth = 0.7) + scale_color_viridis_d() + labs(title = "体重与睡眠总时长的关系（对数坐标）", x = "log10(体重，kg)", y = "睡眠总时长（小时）", color = "食性")

这是整轮分析里最值得看的一张图。没有对数变换之前，体重从 0.005 kg 到 6000 kg 跨度巨大，绝大多数点挤在原点附近，根本分不清趋势。取对数之后，负相关趋势立刻显现出来：体型越大的哺乳动物，睡眠总时长越短。这个结论和主流睡眠研究的方向完全一致。

另外我在图上还发现了一个值得单独拿出来看的点：大熊猫的睡眠时间接近 14 小时，但它的体重超过 100 kg，明显偏离了整体趋势，属于一个"高体重却高睡眠"的特殊物种。这种离群点不用急着删，标注出来反而能体现你在做分析时的细心程度。

4. 相关分析：把数值变量之间的关系量化

可视化帮我们建立了直观印象，接下来用相关分析把这些关系量化。这一步不仅能验证眼睛看到的趋势，还能发现一些容易被忽略的变量组合。

4.1 计算相关系数时要小心缺失值

num_vars <- c("sleep_total", "sleep_rem", "sleep_cycle", "brainwt", "bodywt", "awake") cor_mat <- cor(msleep[num_vars], method = "spearman", use = "complete.obs") round(cor_mat, 2)

我选择spearman而不是pearson，原因是前面已经确认bodywt和brainwt的分布严重偏态，虽然手动做了对数变换，但spearman基于秩次计算，对离群值更稳健，更适合初步的探索性阶段。如果你想对比两种方法的差异，可以同时算一次pearson，你会发现数值有差别，但方向基本一致。

4.2 相关矩阵的可视化

library(corrplot) corrplot(cor_mat, method = "color", addCoef.col = "black", tl.col = "black", tl.cex = 0.8, number.cex = 0.7, diag = FALSE)

相关矩阵里最值得注意的几个关系：

• sleep_total与sleep_rem呈明显正相关，说明总睡眠时间长的物种，快速眼动睡眠通常也比较长。
• sleep_total与brainwt、bodywt呈负相关，和散点图看到的趋势吻合。
• sleep_total与awake几乎完全负相关，这个很好理解，一天就 24 小时，清醒和睡眠天然互补。

这里有一个建模阶段极其重要的提醒：awake和sleep_total存在完全线性冗余关系，明确一点说就是sleep_total + awake = 24。如果做回归时不小心同时放进这两个变量，模型会直接出现多重共线性问题，系数估计完全失真。我在第一次跑模型时就踩过这个坑，后面单独讲。

4.3 相关分析阶段就该留意的样本量问题

使用use = "complete.obs"计算相关矩阵时，R 会只保留所有变量都非缺失的样本。对于sleep_cycle这种缺失量很大的变量，它参与计算时实际样本量会缩水到一半左右，相关估计的稳定性会下降。所以我在相关分析阶段就决定：sleep_cycle只做探索性参考，不放进最终的回归模型。这个取舍在分析报告里也要写清楚，体现的是你对数据质量的认识。

5. 回归建模与诊断：量化睡眠总时长受什么因素影响

相关分析只能给出两两之间的关系，但要同时控制多个变量、判断各自的独立贡献，还是得走回归模型。这一节我会展示一套完整的建模流程，包括模型设定、多重共线性检查、简化和诊断。

5.1 第一版模型：把核心自变量都放进去

考虑到awake的完全冗余问题，第一版模型用log_bodywt、log_brainwt和vore作为自变量：

mod1 <- lm(sleep_total ~ log_bodywt + log_brainwt + vore, data = msleep_model) summary(mod1)

模型输出里，你会看到log_brainwt或log_bodywt中至少有一个系数显著为负，而vore的三个哑变量可能都不显著。这个结果本身有很强的解读空间：食性差异在睡眠上的表现，很大程度可能由体型差异所解释，一旦把体型放进来，食性就不再有额外解释力。

但先别急着下结论，因为我注意到log_brainwt和log_bodywt这两个变量很可能存在共线性问题。脑重和体重在生物演化上是强相关的——大的动物通常脑也更大，同一个模型里放两个高度相关的变量，会让系数估计变得不稳定。

5.2 用 VIF 检验多重共线性

library(car) vif(mod1)

VIF 的通用判断标准是：超过 10 就说明共线性问题明显，超过 5 就要警惕。我这轮跑出来的两个对数体型变量 VIF 都超过了 10，这正是我担心的结果。两个变量在模型里互相"抢功劳"，虽然整体拟合没问题，但单个变量的系数含义变得不可靠。

解决思路有三个：

1. 只保留一个体型变量。如果研究重点是"身体大小如何影响睡眠"，保留体重即可。
2. 如果研究重点是"脑容量在控制体重后是否还有独立影响"，可以采用相对脑重这样的复合指标，也就是brainwt / bodywt。
3. 用更复杂的正则化方法或主成分回归，但对这个体量的练习项目来说没有必要。

我这次采用第一个思路，按研究问题选了log_bodywt，重新构建模型：

mod2 <- lm(sleep_total ~ log_bodywt + vore, data = msleep_model) summary(mod2)

5.3 模型结果怎么向非技术读者解释

mod2的核心结论可以这样表述：在控制食性之后，体重每提高一个数量级，睡眠总时长平均显著缩短。而vore各组的系数在控制体重后基本不再显著，说明先前箱线图里看到的食性差异，很大程度上是因为不同食性的物种体型本身不同——食虫动物普遍小巧，植食动物普遍庞大。

这里我要特意强调一个写作层面的细节：模型结果写进报告时，应该用通俗语言讲清楚"每提高一个数量级睡眠缩短多少小时"，而不是只丢一个 p 值。我在解释mod2时会把系数换算成实际量纲，比如体重从 1 kg 增加到 10 kg，预测睡眠时长大约减少多少小时，这样读者有直观感受。

5.4 诊断图与扩展思路

plot(mod2)

诊断图主要看两个：残差与拟合值图、Q-Q 图。sleep_total本身有轻度偏态，所以残差图可能会呈现一定的喇叭形态，Q-Q 图在尾部也可能偏离正态线。作为基线模型可以接受，但如果想让结果更漂亮，可以尝试对sleep_total做对数变换后再建模，或者考虑使用稳健回归。

另外，这个数据集后续还能做很多扩展：按order作为随机效应做混合模型、用sleep_rem和sleep_cycle做多变量分析、用聚类算法把 83 个物种按睡眠模式分组，甚至用随机森林做变量重要性排序。如果是要拿这个项目去面试或者交作业，我建议至少往其中一个方向深入一步，而不是停在线性回归。

最后分享几点实操体会

这套数据我完整跑下来，最深的体会是：拿到一份不太起眼的小数据集，耐心把缺失值、变量关系、模型诊断都走一遍，能学到的东西比单纯背语法多得多。做分析时一定要带着具体问题去跑代码，比如"体型和睡眠到底什么关系""食性能不能解释睡眠差异"，而不是机械地逐行执行命令，否则很容易画完图就不知道下一步该干什么。

另外还有一个小技巧：msleep里有个别物种和常见印象很不一样，比如大熊猫睡得多、大象睡得少，这些具体物种在画图时如果被标记出来，会让你的分析报告很有记忆点。你可以用filter(msleep, name == "Panda")这类代码找出它们的确切数值，在报告里作为典型案例讨论。

如果你打算把它整理成作品集项目，建议报告结构按"问题定义—数据清洗—探索可视化—统计分析—结论与局限"来组织，这套结构本身就是一个很标准的数据分析工作流，比贴一堆代码截图要有说服力得多。