熱線電話：13121318867

登錄
首頁精彩閱讀如何使用R語言解決可惡的臟數據
如何使用R語言解決可惡的臟數據
2016-03-23
收藏
在數據分析過程中最頭疼的應該是如何應付臟數據，臟數據的存在將會對后期的建模、挖掘等工作造成嚴重的錯誤，所以必須謹慎的處理那些臟數據。

臟數據的存在形式主要有如下幾種情況：

1）缺失值

2）異常值

3）數據的不一致性

下面就跟大家侃侃如何處理這些臟數據。

一、缺失值

缺失值，顧名思義就是一種數據的遺漏，根據CRM中常見的缺失值做一個匯總：

1）會員信息缺失，如身份證號、手機號、性別、年齡等

2）消費數據缺失，如消費次數、消費金額、客單價，卡余等

3）產品信息缺失，如批次、價格、折扣、所屬類別等

根據實際的業務需求不同，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號不存在，可以考慮剔除；如性別不知道，可以使用眾數替代；如年齡未知，可以考慮用均值替換。當然還有其他處理缺失值的辦法，如多重插補法。下面以一個簡單的例子，來說明缺失值的處理。



上面的數據框是一個不含有任何缺失值的數據集，現在我想隨機產生100個缺失值，具體操作如下：




很明顯這里已經隨機產生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()函數繪制缺失值的分布情況：



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，Freq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變量缺失的觀測進行剔除；對Sex變量的缺失值用眾數替換；Age變量用平均值替換；Freq變量、Amount變量和ATV變量用多重插補法填充。



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變量使用多重插補法。

可通過mice包實現多重插補法，該包可以對數值型數據和因子型數據進行插補。對于數值型數據，默認使用隨機回歸添補法(pmm)；對二元因子數據，默認使用Logistic回歸添補法(logreg)；對多元因子數據，默認使用分類回歸添補法(polyreg)。其他插補法，可通過 mice查看相關文檔。




通過不同的方法將缺失值數據進行處理，從上圖可知，通過填補后，數據的概概覽情況基本與原始數據相近，說明填補過程中，基本保持了數據的總體特征。

二、異常值

異常值也是非常痛恨的一類臟數據，異常值往往會拉高或拉低數據的整體情況，為克服異常值的影響，我們需要對異常值進行處理。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，而離群點的判斷標準是四分位數與四分位距為基礎。即離群點超過上四分位數的1.5倍四分位距或低于下四分位數的1.5倍四分位距。

例子：



圖中可知，有一部分數據落在上四分位數的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：



2.找出異常點



結果顯示，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。剔除很簡單，但有時剔除也會給后面的分析帶來錯誤的結果，接下來就講講替補。




三、數據的不一致性

數據的不一致性一般是由于不同的數據源導致。如有些數據源的數據單位是斤，而有些數據源的數據單位為公斤；如有些數據源的數據單位是米，而有些數據源的數據單位為厘米；如兩個數據源的數據沒有同時更新等。對于這種不一致性可以通過數據變換輕松得到一致的數據，只有數據源的數據一致了，才可以進行統計分析或數據挖掘。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。

來源 | 先鋒的家園（51CTO博客）

http://jackwxh.blog.51cto.com/2850597/1742916



CDA數據分析師考試相關入口一覽（建議收藏）：

? 想報名CDA認證考試，點擊>>>   “CDA報名” 了解CDA考試詳情；

? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；

? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；

? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；

特征 數據挖掘 統計分析 數據分析

數據分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

上一篇圖論在大數據分析中的作用！
下一篇CDA認證再升一檔！與國家共同推進大數據人才培養標準教育事業！
數據分析師考試動態
CDA報考指南
數據分析學習
數據分析師資訊
更多

CDA教育閉環

常見問題

關于我們

CDA數據分析師公眾號

  • CDA數據分析師公眾號

CDA考試中心小程序

  • CDA考試中心服務號

CDA數據分析師App下載

  • CDA數據分析師App下載
Copyright © 2015-2021, www.ruiqisteel.com All Rights Reserved. CDA數據分析師(北京國富如荷網絡科技有限公司) 版權所有 京ICP備11001960號-9 京公網安備 11010802034615號 經營許可證編號：京B2-20210330
聯系電話：13321103290 (微信同號)

OK
客服在線
立即咨詢
日韩人妻系列无码专区视频,先锋高清无码,无码免费视欧非,国精产品一区一区三区无码
客服在線
立即咨詢