在數(shù)據(jù)分析過程中最頭疼的應(yīng)該是如何應(yīng)付臟數(shù)據(jù)，臟數(shù)據(jù)的存在將會對后期的建模、挖掘等工作造成嚴(yán)重的錯誤，所以必須謹(jǐn)慎的處理那些臟數(shù)據(jù)。

從策劃到設(shè)計制作，每一步都追求做到細(xì)膩，制作可持續(xù)發(fā)展的企業(yè)網(wǎng)站。為客戶提供成都做網(wǎng)站、網(wǎng)站制作、成都外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站策劃、網(wǎng)頁設(shè)計、申請域名、虛擬主機(jī)、網(wǎng)絡(luò)營銷、VI設(shè)計、 網(wǎng)站改版、漏洞修補(bǔ)等服務(wù)。為客戶提供更好的一站式互聯(lián)網(wǎng)解決方案,以客戶的口碑塑造優(yōu)易品牌,攜手廣大客戶,共同發(fā)展進(jìn)步。

臟數(shù)據(jù)的存在形式主要有如下幾種情況：

1）缺失值

2）異常值

3）數(shù)據(jù)的不一致性

下面就跟大家侃侃如何處理這些臟數(shù)據(jù)。

一、缺失值

缺失值，顧名思義就是一種數(shù)據(jù)的遺漏，根據(jù)CRM中常見的缺失值做一個匯總：

1）會員信息缺失，如***號、手機(jī)號、性別、年齡等

2）消費數(shù)據(jù)缺失，如消費次數(shù)、消費金額、客單價，卡余等

3）產(chǎn)品信息缺失，如批次、價格、折扣、所屬類別等

根據(jù)實際的業(yè)務(wù)需求不同，可以對缺失值采用不同的處理辦法，如需要給會員推送短信，而某些會員恰好手機(jī)號不存在，可以考慮剔除；如性別不知道，可以使用眾數(shù)替代；如年齡未知，可以考慮用均值替換。當(dāng)然還有其他處理缺失值的辦法，如多重插補(bǔ)法。下面以一個簡單的例子，來說明缺失值的處理。

#模擬一批含缺失值的數(shù)據(jù)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)

上面的數(shù)據(jù)框是一個不含有任何缺失值的數(shù)據(jù)集，現(xiàn)在我想隨機(jī)產(chǎn)生100個缺失值，具體操作如下：

#查看原始數(shù)據(jù)集的概要

summary(df)

#隨機(jī)參數(shù)某行某列的下標(biāo)

set.seed(1234)

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

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

#將下標(biāo)組合成矩陣

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

#將原始數(shù)據(jù)框轉(zhuǎn)換為矩陣

df <- as.matrix(df)

#將隨機(jī)參數(shù)的行列賦值為NA

df[index] <- NA

#重新將矩陣轉(zhuǎn)換為數(shù)據(jù)框

df2 <- as.data.frame(df)

#變換變量類型

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

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

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

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

#再一次查看賦予缺失值后的數(shù)據(jù)框概要

summary(df2)

很明顯這里已經(jīng)隨機(jī)產(chǎn)生100個缺失值了，下面看看這100個缺失值的分布情況。我們使用VIM包中的aggr()函數(shù)繪制缺失值的分布情況：

library(VIM)

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

圖中顯示：Tel變量有21個缺失，Sex變量有28個缺失，Age變量有6個缺失，F(xiàn)req變量有20個缺失，Amount變量有13個缺失，ATV有12個缺失。

為了演示，下面對Tel變量缺失的觀測進(jìn)行剔除；對Sex變量的缺失值用眾數(shù)替換；Age變量用平均值替換；Freq變量、Amount變量和ATV變量用多重插補(bǔ)法填充。

#剔除Tel變量的缺失觀測

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

#分別用眾數(shù)和均值替換性別和年齡

#性別的眾數(shù)

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

#年齡的均值

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

library(tidyr)

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

summary(df3)

這個時候，Tel變量、Sex變量和Age變量已不存在缺失值，下面對Freq變量、Amount變量和ATV變量使用多重插補(bǔ)法。

可通過mice包實現(xiàn)多重插補(bǔ)法，該包可以對數(shù)值型數(shù)據(jù)和因子型數(shù)據(jù)進(jìn)行插補(bǔ)。對于數(shù)值型數(shù)據(jù)，默認(rèn)使用隨機(jī)回歸添補(bǔ)法(pmm)；對二元因子數(shù)據(jù)，默認(rèn)使用Logistic回歸添補(bǔ)法(logreg)；對多元因子數(shù)據(jù)，默認(rèn)使用分類回歸添補(bǔ)法(polyreg)。其他插補(bǔ)法，可通過?mice查看相關(guān)文檔。

library(mice)

#對缺失值部分，進(jìn)行5次的多重插補(bǔ)，這里默認(rèn)使用隨機(jī)回歸添補(bǔ)法(pmm)

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

#查看一下插補(bǔ)的結(jié)果

imp$imp

#計算5重插補(bǔ)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)

#并用該均值替換原來的缺失值

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

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

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

#再次查看填補(bǔ)完缺失值后的數(shù)據(jù)集和原始數(shù)據(jù)集概況

summary(df3)

summary(df2)

通過不同的方法將缺失值數(shù)據(jù)進(jìn)行處理，從上圖可知，通過填補(bǔ)后，數(shù)據(jù)的概概覽情況基本與原始數(shù)據(jù)相近，說明填補(bǔ)過程中，基本保持了數(shù)據(jù)的總體特征。

二、異常值

異常值也是非常痛恨的一類臟數(shù)據(jù)，異常值往往會拉高或拉低數(shù)據(jù)的整體情況，為克服異常值的影響，我們需要對異常值進(jìn)行處理。首先，我們需要識別出哪些值是異常值或離群點，其次如何處理這些異常值。下面仍然以案例的形式，給大家講講異常值的處理：

1、識別異常值

一般通過繪制盒形圖來查看哪些點是離群點，而離群點的判斷標(biāo)準(zhǔn)是四分位數(shù)與四分位距為基礎(chǔ)。即離群點超過上四分位數(shù)的1.5倍四分位距或低于下四分位數(shù)的1.5倍四分位距。

例子：

#隨機(jī)產(chǎn)生一組數(shù)據(jù)

set.seed(1234)

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

#繪制箱線圖,并用紅色的方塊標(biāo)注出異常值

library(ggplot2)

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

圖中可知，有一部分?jǐn)?shù)據(jù)落在上四分位數(shù)的1.5倍四分位距之上，即異常值，下面通過編程，將異常值找出來：

#計算下四分位數(shù)、上四分位數(shù)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

2、找出異常點

which(value > QU + 1.5*QU_QL)

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

結(jié)果顯示，分別是第104、106、110、114、116、118和120這6個點。下面就要處理這些離群點，一般有兩種方法，即剔除或替補(bǔ)。剔除很簡單，但有時剔除也會給后面的分析帶來錯誤的結(jié)果，接下來就講講替補(bǔ)。

#用離異常點最近的點替換

test01 <- value

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

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

#用上四分位數(shù)的1.5倍四分位距或下四分位數(shù)的1.5倍四分位距替換

test02 <- value

out_imp02 <- QU + 1.5*QU_QL

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

#對比替換前后的數(shù)據(jù)概覽

summary(value)

summary(test01)

summary(test02)

三、數(shù)據(jù)的不一致性

數(shù)據(jù)的不一致性一般是由于不同的數(shù)據(jù)源導(dǎo)致，如有些數(shù)據(jù)源的數(shù)據(jù)單位是斤，而有些數(shù)據(jù)源的數(shù)據(jù)單位為公斤；如有些數(shù)據(jù)源的數(shù)據(jù)單位是米，而有些數(shù)據(jù)源的數(shù)據(jù)單位為厘米；如兩個數(shù)據(jù)源的數(shù)據(jù)沒有同時更新等。對于這種不一致性可以通過數(shù)據(jù)變換輕松得到一致的數(shù)據(jù)，只有數(shù)據(jù)源的數(shù)據(jù)一致了，才可以進(jìn)行統(tǒng)計分析或數(shù)據(jù)挖掘。由于這類問題的處理比較簡單，這里就不累述具體的處理辦法了。

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

新聞名稱：如何使用R語言解決可惡的臟數(shù)據(jù)-創(chuàng)新互聯(lián)
URL分享：http://aaarwkj.com/article6/ihpog.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站設(shè)計、靜態(tài)網(wǎng)站、外貿(mào)建站、面包屑導(dǎo)航、建站公司、做網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)