使用R語言實現數據分段

今天跟大家講講我工作中用到的數據分段，數據分段一般在什么地方會使用到呢？評分。之前寫過一篇《實戰: RFM》模型使用，那篇文章就詳細介紹了CRM（客戶關系管理）分析中關于RFM的應用。應用中就提到如何對R(最近一次消費距當前的時間間隔)、F(時間段內的消費頻次)和M(時間段內的消費總額)指標進行分段，形成三種得分指標，最后根據得分指標計算出每個用戶的總得分，從而可以計算用戶的價值高低。

本文與之前提到的文章不同之處在于腳本的更改，使腳本更具靈活性?！秾崙? RFM模型使用》文中對R、F和M分段使用for循環，而且需要對每一個指標做循環，如果某個數據框的字段非常多，這樣用for循環就顯得非常麻煩。所以就有必要寫一段更靈活的連續變量分段操作的R腳本。這里用案例說明一下數據分段操作：

#隨機參數一列會員的消費總額

set.seed(1234)

Money <- c(round(runif(n = 5000, min = 56, max = 9143)), round(rnorm(n = 5000, mean = 892, sd = 23)))

#使用《實戰: RFM模型使用》的分段方法，這里分成10段，盡量保證每段中的數據量大致相當

library(Hmisc)

#使用cut2()函數對數據進行分段

M_X <- cut2(x = Money, g = 10, onlycuts = TRUE)

#使用for循環將每一段范圍值設定一個評分，即1:10分

M_score <- 0

for(i in 1:10) {

M_score[Money >= M_X[i] & Money < M_X[i+1]] = i

#由于范圍Money < M_X[i+1]不包含最后一個值，故另外計算

M_score[Money == M_X[11]] = 10

}

table(M_score)

通過上面的方法，可以將連續型數據分成n段，從案例返回的結果可知，10段中的樣本量基本相當，可以視作分段成功。下面再看看自定義函數實現的分段：

#自定義得分函數，x為目標向量，g為所需分段數量

Score_function <- function(x,g = 10){

require(Hmisc)

#計算分段的切割點

cuts <- cut2(x,g = g, onlycuts = TRUE)

#將所需結果存放在res數據框中

res <- data.frame(x=x, cut = cut2(x, cuts = cuts),score = as.numeric(cut2(x, cuts = cuts)))

#這里返回res數據框中的評分字段

return(res[,'score'])

}

M_score2 <- Score_function(x = Money, g = 10)

table(M_score2)

同樣，分段的結果與《實戰: RFM模型使用》腳本的結果一致，這里說一下自定義函數的優勢：

1）可以靈活的更改分組數量，即g參數

2）不需要循環，速度得到提升

3）可以結合sapply()函數，應用于大型數據框（高維數據），從而避免對每個字段都計算一次for循環

下面創建一個數據框，來驗收一下自定義函數的效果：

set.seed(1234)

x1 <- round(rnorm(n = 5000, mean = 125, sd = 30))

x2 <- round(runif(n = 5000, min = 10, max = 100))

x3 <- round(runif(n = 5000, min = 100, max = 1000))

x4 <- round(rnorm(n = 5000, mean = 100, sd = 10))

df <- data.frame(x1 = x1, x2 = x2, x3 = x3, x4 = x4)

#結合sapply()函數

df2 <- sapply(df, Score_function)

head(df2)

df2 <- as.data.frame(df2)

table(df2$x1);table(df2$x2);table(df2$x3);table(df2$x4)

如果使用《實戰: RFM模型使用》的方法，4個變量需要單獨拿出來做4次for循環。如果你覺得還可以再套一個循環，這樣就可以不用單獨4次for循環了，問題是這樣做會大大降低計算效率，影響速度。