如何使用R语言解决可恶的脏数据-创新互联

在数据分析过程中最头疼的应该是如何应付脏数据,脏数据的存在将会对后期的建模、挖掘等工作造成严重的错误,所以必须谨慎的处理那些脏数据。

从策划到设计制作,每一步都追求做到细腻,制作可持续发展的企业网站。为客户提供成都做网站、网站制作、成都外贸网站建设、网站策划、网页设计、申请域名虚拟主机、网络营销、VI设计、 网站改版、漏洞修补等服务。为客户提供更好的一站式互联网解决方案,以客户的口碑塑造优易品牌,携手广大客户,共同发展进步。

脏数据的存在形式主要有如下几种情况:

1)缺失值

2)异常值

3)数据的不一致性

下面就跟大家侃侃如何处理这些脏数据。

一、缺失值

缺失值,顾名思义就是一种数据的遗漏,根据CRM中常见的缺失值做一个汇总:

1)会员信息缺失,如***号、手机号、性别、年龄等

2)消费数据缺失,如消费次数、消费金额、客单价,卡余等

3)产品信息缺失,如批次、价格、折扣、所属类别等

根据实际的业务需求不同,可以对缺失值采用不同的处理办法,如需要给会员推送短信,而某些会员恰好手机号不存在,可以考虑剔除;如性别不知道,可以使用众数替代;如年龄未知,可以考虑用均值替换。当然还有其他处理缺失值的办法,如多重插补法。下面以一个简单的例子,来说明缺失值的处理。

#模拟一批含缺失值的数据集

set.seed(1234)

Tel <- 13812341000:13812341999

Sex <- sample(c('F','M'), size = 1000, replace = T, prob = c(0.4,0.6))

Age <- round(runif(n = 1000, min = 18, max = 60))

Freq <- round(runif(n = 1000, min = 1, max = 368))

Amount <- rnorm(n = 1000, mean = 134, sd = 10)

ATV <- runif(n = 1000, min = 23, max = 138)

df <- data.frame(Tel = Tel, Sex = Sex, Age = Age, Freq = Freq, Amount = Amount, ATV = ATV)

上面的数据框是一个不含有任何缺失值的数据集,现在我想随机产生100个缺失值,具体操作如下:

#查看原始数据集的概要

summary(df)

如何使用R语言解决可恶的脏数据
#随机参数某行某列的下标

set.seed(1234)

i <- sample(1:6, size = 100, replace = T)

j <- sample(1:1000, size = 100)

#将下标组合成矩阵

index <- as.matrix(data.frame(j,i))

#将原始数据框转换为矩阵

df <- as.matrix(df)

#将随机参数的行列赋值为NA

df[index] <- NA

#重新将矩阵转换为数据框

df2 <- as.data.frame(df)

#变换变量类型

df2$Age <- as.integer(df2$Age)

df2$Freq <- as.integer(df2$Freq)

df2$Amount <- as.numeric(df2$Amount)

df2$ATV <- as.numeric(df2$ATV)

#再一次查看赋予缺失值后的数据框概要

summary(df2)

如何使用R语言解决可恶的脏数据

很明显这里已经随机产生100个缺失值了,下面看看这100个缺失值的分布情况。我们使用VIM包中的aggr()函数绘制缺失值的分布情况:

library(VIM)

aggr(df2, prop = FALSE, numbers = TRUE)

如何使用R语言解决可恶的脏数据
图中显示:Tel变量有21个缺失,Sex变量有28个缺失,Age变量有6个缺失,Freq变量有20个缺失,Amount变量有13个缺失,ATV有12个缺失。

为了演示,下面对Tel变量缺失的观测进行剔除;对Sex变量的缺失值用众数替换;Age变量用平均值替换;Freq变量、Amount变量和ATV变量用多重插补法填充。

#剔除Tel变量的缺失观测

df3 <- df2[is.na(df2$Tel)==FALSE,]

#分别用众数和均值替换性别和年龄

#性别的众数

Sex_mode <- names(which.max(table(df3$Sex)))

#年龄的均值

Age_mean <- mean(df3$Age, na.rm = TRUE)

library(tidyr)

df3 <- replace_na(df3,replace = list(Sex = Sex_mode, Age = Age_mean))

summary(df3)

如何使用R语言解决可恶的脏数据
这个时候,Tel变量、Sex变量和Age变量已不存在缺失值,下面对Freq变量、Amount变量和ATV变量使用多重插补法。

可通过mice包实现多重插补法,该包可以对数值型数据和因子型数据进行插补。对于数值型数据,默认使用随机回归添补法(pmm);对二元因子数据,默认使用Logistic回归添补法(logreg);对多元因子数据,默认使用分类回归添补法(polyreg)。其他插补法,可通过?mice查看相关文档。

library(mice)

#对缺失值部分,进行5次的多重插补,这里默认使用随机回归添补法(pmm)

imp <- mice(data = df3, m = 5)

#查看一下插补的结果

imp$imp

#计算5重插补值的均值

Freq_imp <- apply(imp$imp$Freq,1,mean)

Amount_imp <- apply(imp$imp$Amount,1,mean)

ATV_imp <- apply(imp$imp$ATV,1,mean)

#并用该均值替换原来的缺失值

df3$Freq[is.na(df3$Freq)] <- Freq_imp

df3$Amount[is.na(df3$Amount)] <- Amount_imp

df3$ATV[is.na(df3$ATV)] <- ATV_imp

#再次查看填补完缺失值后的数据集和原始数据集概况

summary(df3)

summary(df2)

如何使用R语言解决可恶的脏数据
通过不同的方法将缺失值数据进行处理,从上图可知,通过填补后,数据的概概览情况基本与原始数据相近,说明填补过程中,基本保持了数据的总体特征。

二、异常值

异常值也是非常痛恨的一类脏数据,异常值往往会拉高或拉低数据的整体情况,为克服异常值的影响,我们需要对异常值进行处理。首先,我们需要识别出哪些值是异常值或离群点,其次如何处理这些异常值。下面仍然以案例的形式,给大家讲讲异常值的处理:

1、识别异常值

一般通过绘制盒形图来查看哪些点是离群点,而离群点的判断标准是四分位数与四分位距为基础。即离群点超过上四分位数的1.5倍四分位距或低于下四分位数的1.5倍四分位距。

例子:

#随机产生一组数据

set.seed(1234)

value <- c(rnorm(100, mean = 10, sd = 3), runif(20, min = 0.01, max = 30), rf(30, df1 = 5, df2 = 20))

#绘制箱线图,并用红色的方块标注出异常值

library(ggplot2)

ggplot(data = NULL, mapping = aes(x = '', y = value)) + geom_boxplot(outlier.colour = 'red', outlier.shape = 15, width = 1.2)

如何使用R语言解决可恶的脏数据
图中可知,有一部分数据落在上四分位数的1.5倍四分位距之上,即异常值,下面通过编程,将异常值找出来:

#计算下四分位数、上四分位数和四分位距

QL <- quantile(value, probs = 0.25)

QU <- quantile(value, probs = 0.75)

QU_QL <- QU-QL

QL;QU;QU_QL

如何使用R语言解决可恶的脏数据

2、找出异常点

which(value > QU + 1.5*QU_QL)

value[which(value > QU + 1.5*QU_QL)]

如何使用R语言解决可恶的脏数据
结果显示,分别是第104、106、110、114、116、118和120这6个点。下面就要处理这些离群点,一般有两种方法,即剔除或替补。剔除很简单,但有时剔除也会给后面的分析带来错误的结果,接下来就讲讲替补。

#用离异常点最近的点替换

test01 <- value

out_imp01 <- max(test01[which(test01 <= QU + 1.5*QU_QL)])

test01[which(test01 > QU + 1.5*QU_QL)] <- out_imp01

#用上四分位数的1.5倍四分位距或下四分位数的1.5倍四分位距替换

test02 <- value

out_imp02 <- QU + 1.5*QU_QL

test02[which(test02 > QU + 1.5*QU_QL)] <- out_imp02

#对比替换前后的数据概览

summary(value)

summary(test01)

summary(test02)

如何使用R语言解决可恶的脏数据

三、数据的不一致性

数据的不一致性一般是由于不同的数据源导致,如有些数据源的数据单位是斤,而有些数据源的数据单位为公斤;如有些数据源的数据单位是米,而有些数据源的数据单位为厘米;如两个数据源的数据没有同时更新等。对于这种不一致性可以通过数据变换轻松得到一致的数据,只有数据源的数据一致了,才可以进行统计分析或数据挖掘。由于这类问题的处理比较简单,这里就不累述具体的处理办法了。

另外有需要云服务器可以了解下创新互联cdcxhl.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。


分享标题:如何使用R语言解决可恶的脏数据-创新互联
标题路径:http://scyanting.com/article/ihpog.html