使用R語(yǔ)言實(shí)現(xiàn)數(shù)據(jù)分段

今天跟大家講講我工作中用到的數(shù)據(jù)分段，數(shù)據(jù)分段一般在什么地方會(huì)使用到呢？評(píng)分。之前寫過(guò)一篇《實(shí)戰(zhàn): RFM》模型使用，那篇文章就詳細(xì)介紹了CRM（客戶關(guān)系管理）分析中關(guān)于RFM的應(yīng)用。應(yīng)用中就提到如何對(duì)R(最近一次消費(fèi)距當(dāng)前的時(shí)間間隔)、F(時(shí)間段內(nèi)的消費(fèi)頻次)和M(時(shí)間段內(nèi)的消費(fèi)總額)指標(biāo)進(jìn)行分段，形成三種得分指標(biāo)，最后根據(jù)得分指標(biāo)計(jì)算出每個(gè)用戶的總得分，從而可以計(jì)算用戶的價(jià)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?shí)戰(zhàn): RFM模型使用》文中對(duì)R、F和M分段使用for循環(huán)，而且需要對(duì)每一個(gè)指標(biāo)做循環(huán)，如果某個(gè)數(shù)據(jù)框的字段非常多，這樣用for循環(huán)就顯得非常麻煩。所以就有必要寫一段更靈活的連續(xù)變量分段操作的R腳本。這里用案例說(shuō)明一下數(shù)據(jù)分段操作：

#隨機(jī)參數(shù)一列會(huì)員的消費(fèi)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(shí)戰(zhàn): 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(shù)據(jù)量大致相當(dāng)

library(Hmisc)

#使用cut2()函數(shù)對(duì)數(shù)據(jù)進(jìn)行分段

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

#使用for循環(huán)將每一段范圍值設(shè)定一個(gè)評(píng)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(gè)值，故另外計(jì)算

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

}

table(M_score)

通過(guò)上面的方法，可以將連續(xù)型數(shù)據(jù)分成n段，從案例返回的結(jié)果可知，10段中的樣本量基本相當(dāng)，可以視作分段成功。下面再看看自定義函數(shù)實(shí)現(xiàn)的分段：

#自定義得分函數(shù)，x為目標(biāo)向量，g為所需分段數(shù)量

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

require(Hmisc)

#計(jì)算分段的切割點(diǎn)

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

#將所需結(jié)果存放在res數(shù)據(jù)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(shù)據(jù)框中的評(píng)分字段

return(res[,'score'])

}

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

table(M_score2)

同樣，分段的結(jié)果與《實(shí)戰(zhàn): RFM模型使用》腳本的結(jié)果一致，這里說(shuō)一下自定義函數(shù)的優(yōu)勢(shì)：

1）可以靈活的更改分組數(shù)量，即g參數(shù)

2）不需要循環(huán)，速度得到提升

3）可以結(jié)合sapply()函數(shù)，應(yīng)用于大型數(shù)據(jù)框（高維數(shù)據(jù)），從而避免對(duì)每個(gè)字段都計(jì)算一次for循環(huán)

下面創(chuàng)建一個(gè)數(shù)據(jù)框，來(lái)驗(yàn)收一下自定義函數(shù)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(jié)合sapply()函數(shù)

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(shí)戰(zhàn): RFM模型使用》的方法，4個(gè)變量需要單獨(dú)拿出來(lái)做4次for循環(huán)。如果你覺得還可以再套一個(gè)循環(huán)，這樣就可以不用單獨(dú)4次for循環(huán)了，問(wèn)題是這樣做會(huì)大大降低計(jì)算效率，影響速度。