SAS信用評分九步曲之第一步數據清洗

累積了一段時間的建模經驗了，這次想把我在建模中用的代碼分批分享出來，可能寫的東西不是你能用到的，畢竟我們接觸到的數據都不一樣。但是譬如文本清洗之類的，看我之前的文章“正則式”還是可以找到解決方法的。我覺得數據面并不多，就是就我現有的數據做的數據處理。希望大神也可以指正我在建模中用的不恰當的處理數據的方式。那么就開始今天的分享啦。

今天主要想分享給大家的有三個代碼：“缺失值填充”，“變量缺失值比例”“異常值檢測”。

1、缺失值填充

缺失值補充這部分的代碼是我在遇到譬如主表的數據是有的，但是left join的時候沒有這個數據，但是他并不是缺失，只是客戶真的沒有。譬如房屋貸款筆數，假設客戶沒有房屋貸款，那么這個變量就是缺失的，但是他并不是缺失，他實際上沒有，所以要填補一個零。這段代碼是對數值的字符的整張數據集的變量的處理。

%macro missing(data);

data aa;

set &data;

array arr1{*} _NUMERIC_ ;

array arr2{*} _CHARACTER_ ;

do i = 1 to dim(arr1);

if missing(arr1(I)) then do;

arr1(i)=0;

/*這里的arr1(i)=0;根據自己的需要，要0就是0也可以是別的值*/

end;

if missing(arr1(i)) then do;

arr1(i)=0;

end;

end;

do i = 1 to dim(arr2);

if missing(arr2(I)) then do;

arr2(i)="0";

end;

end;

run;

%mend;

Data填入數據集

代碼我都是調試好的，所以可以直接用。

2、變量缺失值比例

經過缺失值填補之后，但是還有些改缺失還是缺失的，這時候要對變量做變量缺失率的檢查，我這邊是對于變量缺失率達到70%的就去掉這個變量。具體缺失比率在多少就不要，還是要看自己的業務需求。那上代碼吧。這部分的代碼是參考另外這個公眾號的妹紙寫的代碼公眾號是：數據分析sas和r和python。

data tmp11;

set raw.jxl_total_t;

array arr1{*} _NUMERIC_ ;

array arr2{*} _CHARACTER_ ;

length variable $50;

do i = 1 to dim(arr1);

if missing(arr1(i)) then do;

variable =vname(arr1(i));/*數值型缺失*/

output;

end;

end;

do j = 1to dim(arr2);

if missing(arr2(j)) then do;

variable = vname(arr2(j)); /*字符型缺失*/

output;

end;

end;

keep variable;

run;

proc sql noprint;

select count(*) into : N from raw.jxl_total_t;

create table miss as

select variable label = "缺失變量名",

count(*) as frequency label = "缺失頻數",

input(compress(put(calculated frequency / &N.,percent10.2),'%'),best32.) as percent label = %nrstr("%缺失占比")

from tmp11

group by variable

having percent>70;

quit;

/*統計缺失頻數和占比*/

3、異常值檢測

剔掉缺失嚴重的變量，那么下一步就是做異常值的檢查，不要讓異常值壞了擬合結果，畢竟數據也是存在一顆老鼠屎壞了一鍋粥。異常值我之前在前面的文章中有用到聚類，有3倍標準差，聚類的話可能對于字符變量可能好些，3倍標準差的話需要要求數據呈正態分布，但是我的數據貌似很難達到這個需求。如果需要以上提及的聚類或者是3倍標準差可以點：路徑查看啦。那么一下這段代碼我用的箱形圖來找出異常值，并且將在區域以外的數據集用上下界的值代替。分享的代碼沒有固定的iqr，寫的條件譬如，異常值都在1.5倍iqr達到1%，那么就將這部分的值判斷為異常值，假設現在是3iqr外的異常值達到1%或者小于1%，但是2.5iqr以外的數據已經達到了1.5%，那么就行選定3iqr以外的數據為異常值。異常值檢查只針對數值變量。我是不是廢話很多，我很怕你們理解不了我的意思，如果不知道iqr是什么的，先百度下拉。接下來上代碼。

%macro pub(data,var);

PROC UNIVARIATE DATA= &data.(where=(&var.^=.)) NOprint;

VAR &var.;

OUTPUT OUT=qdata  Q1=q1 Q3=q3 QRANGE=iqr STD=VSTD   Mean=VMean;

RUN;

DATA _null_;

SET qdata;

call symput('STD', VSTD);

call symput('Mean', VMean);

CALL SYMPUT("q1",q1);

CALL SYMPUT("q3",q3);

CALL SYMPUT("iqr",compress(iqr));

RUN;

%let qa=%sysevalf(&q1. -(1.5*&iqr.));

%let qb=%sysevalf(&q3. +(1.5*&iqr.));

%let qc=%sysevalf(&q1. -(2*&iqr.));

%let q4=%sysevalf(&q3. +(2*&iqr.));

%let q5=%sysevalf(&q1. -(2.5*&iqr.));

%let q6=%sysevalf(&q3. +(2.5*&iqr.));

%let q7=%sysevalf(&q1. -(3*&iqr.));

%let q8=%sysevalf(&q3. +(3*&iqr.));

%put &q1.&q8.;

DATA outliers;

SET  &data.(where=(&var.^=.));

LENGTH severity $2;

severity="";

IF &var. <= &qa. OR &var. >= &qb. THEN   severity="1";

else IF &var. <=  &qc. OR &var. >=  &q4. THEN  severity="2";

else IF &var. <= &q5. OR &var. >=  &q6. THEN  severity="3";

else IF &var. <= &q7. OR &var. >=  &q8. THEN severity="4";

IF severity in ("1","2","3","4") THEN OUTPUT outliers;

RUN;

proc sql;

%do f=1 %to 4;

select count(*) into:outliers_&f. from outliers where severity="&f.";

%end;

select count(*) into :n from  &data.;

quit;

%put &outliers_1. &outliers_2.;

%put &n.;

%let out_1=%sysevalf(&outliers_1./&n.);

%let out_2=%sysevalf(&outliers_2./&n.);

%let out_3=%sysevalf(&outliers_3./&n.);

%let out_4=%sysevalf(&outliers_4./&n.);

data &data.;

set &data.;

length &var._1 8.;

if &out_1.<0.01 and &var.^=. then do;

if &var. <=&qa.  then &var._1=0;

else if &var. >=&qb. then &var._1=&qb.;

else &var._1=&var.;

end;

if &out_2.<0.01 and &var.^=. then do;

if &var. <=&qc.  then &var._1=0;

else if &var. >=&q4. then &var._1=&q4.;

else &var._1=&var.;

end;

if &out_3.<0.01 and &var.^=. then do;

if &var. <=&q5.  then &var._1=0;

else if &var. >=&q6. then &var._1=&q6.;

else &var._1=&var.;

end;

if &out_4.<0.01 and &var.^=. then do;

if &var. <=&q7.  then &var._1=0;

else if &var. >=&q8. then &var._1=&q8.;

else &var._1=&var.;

end;

else do ;

&var._1=. ;

end;

drop &var. ;

rename &var._1=&var. ;

run;

%mend;

pub(data,var) data填入數據集，var填入你要檢測的變量。

代碼中有很多可以優化地方，譬如那些重復的東西就可以用循環的，你問我為什么不用，是因為我懶得改了，如果你想自己優化一下，就自己優化一下吧。如果我后續優化了，再分享給你們也可以。