數(shù)據(jù)挖掘 | 數(shù)據(jù)理解和預處理

小編遇到過很多人(咳咳，請不要對號入座)，拿到數(shù)據(jù)后不管三七二十一，先丟到模型中去跑，管它具體什么樣呢，反正“大數(shù)據(jù)”嘛，總能整出點東西來。

但就像上次說過的，“大數(shù)據(jù)”很有可能帶來“大錯誤”!所以在數(shù)據(jù)挖掘工作開始前，認真的理解數(shù)據(jù)、檢查數(shù)據(jù)，對數(shù)據(jù)進行預處理是至關重要的。

很多人說，數(shù)據(jù)準備工作真是個“體力活”，耗時耗力不說，還異常的枯燥無味。這點小編承認，建模之前的數(shù)據(jù)處理確實是平淡的，它往往不需要多高的智商，多牛的編程技巧，多么高大上的統(tǒng)計模型。

但是，它卻能時時觸發(fā)你的興奮點，因為它需要足夠的耐心和細心，稍不留神就前功盡棄。

在這次的內(nèi)容里，小編首先會從“數(shù)據(jù)理解”、“變量類型”和“質(zhì)量檢查”三個方面進行闡述，然后會以一個自己做過的實際數(shù)據(jù)為例進行展示。

一、數(shù)據(jù)理解

拿到數(shù)據(jù)后要做的第一步就是理解數(shù)據(jù)。

什么是理解數(shù)據(jù)呢?不是簡單看下有多少Excel表，有多少行，多少列，而是要結(jié)合自己的分析目標，帶著具體的業(yè)務需求去看。

首先，我們需要明確數(shù)據(jù)記錄的詳細程度，比方說某個網(wǎng)站的訪問量數(shù)據(jù)是以每小時為單位還是每天為單位;一份銷售數(shù)據(jù)記錄的是每家門店的銷售額還是每個地區(qū)的總銷售額。

其次，我們需要確定研究群體。研究群體的確定一定和業(yè)務目標是密切相關的。

比方說，如果我們想研究用戶對產(chǎn)品的滿意度與哪些因素有關，就應該把購買該產(chǎn)品的所有客戶作為研究群體;如果我們想研究用戶的購買行為受哪些因素影響，就應該同時考察購買人群和非購買人群，在兩類人群的對比中尋找關鍵因素。

研究群體的確定有時也和數(shù)據(jù)的詳細程度有關。

比如我們想研究“觀眾影評”對“電影票房”的影響，我們既可以把“每部電影”看成一個個體，研究“影評總數(shù)”對“電影總票房”的影響，也可以把“每部電影每天的票房”看成一個個體，研究“每天的影評數(shù)”對“每天的電影票房”的影響。

具體選擇哪一種取決于我們手上有什么樣的數(shù)據(jù)，如果只有總票房和總影評數(shù)的數(shù)據(jù)，那我們只能選擇第一種;如果有更詳細的數(shù)據(jù)，那就可以考慮第二種方案。

需要注意的是，這兩種方案還會影響我們對于模型的選擇。

例如，如果研究“每天的影評數(shù)”對“每天電影票房”的影響，那每部電影又被細分為很多天，同一部電影不同時間的票房會有較高的相似性，這就形成了一種層次結(jié)構(gòu)，可以考慮使用層次模型(hierarchical model)進行分析。

最后，當我們確定了研究目標和研究群體后，我們需要逐一理解每個變量的含義。有些變量和業(yè)務目標明顯無關，可以直接從研究中剔除。

有些變量雖然有意義，但是在全部樣本上取值都一樣，這樣的變量就是冗余變量，也需要從研究中剔除。

還有一些變量具有重復的含義，如“省份名稱”和“省份簡稱”，這時只需要保留一個就可以了。

二、變量類型

所有變量按其測量尺度可以分成兩大類，一類是“分類變量”，一類是“數(shù)值變量”。不同類型的變量在處理方法和后期的模型選擇上會有顯著差別。

【分類變量】

分類變量又稱屬性變量或離散變量，它的取值往往用有限的幾個類別名稱就可以表示了，例如“性別”，“教育程度”，“收入水平”，“星期幾”等。細分的話，分類變量又可分為兩類，一類是“名義變量”，即各個類別間沒有順序和程度的差別，就像“手機系統(tǒng)”中ios和安卓并沒有明顯的好壞差別，“電影類型”中“動作片”和“科幻片”也都是一樣的，說不上哪個更好或更差。

另外一類是定序變量，即不同類別之間存在有意義的排序，如“空氣污染程度”可以用“差、良、優(yōu)”來表示、“教育程度”可以用“小學、初中、高中、大學”來表示。

當研究的因變量是分類變量時，往往對應特定的分析方法，我們在后面的章節(jié)會陸續(xù)講到，這里暫且不談。

當研究中的自變量是分類變量時，也會限制模型選擇的范圍。有些數(shù)據(jù)挖掘模型可以直接處理分類自變量，如決策樹模型;但很多數(shù)據(jù)挖掘模型不能直接處理分類自變量，如線性回歸、神經(jīng)網(wǎng)絡等，因此需要將分類變量轉(zhuǎn)換成數(shù)值變量。

對于定序自變量，最常用的轉(zhuǎn)換方法就是按照類別程度將其直接轉(zhuǎn)換成數(shù)值自變量，例如將空氣污染程度 “差、良、優(yōu)”轉(zhuǎn)換為“1,2,3”。

對于名義自變量，最常用的轉(zhuǎn)換方法就是構(gòu)造0-1型啞變量。例如，對于“性別”，可以定義“1=男，0=女”。

當某個名義變量有K個類別取值時，則需要構(gòu)造K-1個啞變量。例如教育程度“小學，初中，高中，大學及以上”，可以構(gòu)造三個啞變量分別為：x1：1=小學，0=其它;x2：1=初中，0=其它;x3：1=高中，0=其它。當x1，x2，x3三個啞變量取值都為0時，則對應著“大學及以上”。

需要注意的是，有時候名義變量的取值太多，會生成太多的啞變量，這很容易造成模型的過度擬合。

這時可以考慮只把觀測比較多的幾個類別單獨拿出來，而把剩下所有的類別都歸為“其它”。

例如，中國一共包含56個民族，如果每個民族都生成一個啞變量就會有55個，這時我們可以只考慮設置“是否為漢族”這一個0-1啞變量。

【數(shù)值變量】

我們再來看看數(shù)值變量。數(shù)值變量就是用數(shù)值描述，并且可以直接進行代數(shù)運算的變量，如“銷售收入”、“固定資本”、“評論總數(shù)”、“訪問量”、“學生成績”等等都是數(shù)值變量。

需要注意的是，用數(shù)值表示的變量不一定就是數(shù)值型變量，只有在代數(shù)運算下有意義的變量才是數(shù)值型變量。

例如財務報表的年份，上市時間等，雖然也是用數(shù)值表示的，但我們通常不將它們按照數(shù)值型變量來處理。

上面我們講到，分類變量通常要轉(zhuǎn)換成數(shù)值型變量，其實有些時候，數(shù)值型變量也需要轉(zhuǎn)換成分類變量，這就用到了“數(shù)據(jù)分箱”的方法。

為什么要進行數(shù)據(jù)分箱呢?通常有以下幾個原因：

1. 數(shù)據(jù)的測量可能存在一定誤差，沒有那么準確，因此按照取值范圍轉(zhuǎn)換成不同類別是一個有效的平滑方法;

2.有些算法，如決策樹模型，雖然可以處理數(shù)值型變量，但是當該變量有大量不重復的取值時，使用大于、小于、等于這些運算符時會考慮很多的情況，因此效率會很低，數(shù)據(jù)分箱的方法能很好的提高算法效率;

3.有些模型算法只能處理分類型自變量(如關聯(lián)規(guī)則)，因此也需要將數(shù)值變量進行分箱處理。

數(shù)據(jù)分箱后，可以使用每個分箱內(nèi)的均值、中位數(shù)、臨界值等作為這個類別的代表值，也可以直接將不同取值范圍定義成不同的類別，如：將污染程度劃分后定義為“低、中、高”等。

那如何進行數(shù)據(jù)分箱呢?常用的數(shù)據(jù)分箱的方法有：等寬分箱(將變量的取值范圍劃分成等寬的幾個區(qū)間)、等頻分箱(按照變量取值的分位數(shù)進行劃分)、基于k均值聚類的分箱(將所有數(shù)據(jù)進行k均值聚類，所得的不同類別即為不同的分箱)，還有一些有監(jiān)督分箱方法，如：使分箱后的結(jié)果達到最小熵或最小描述長度等。這里不詳細介紹了，有興趣的童鞋可以自行百度。

三、質(zhì)量檢查

對數(shù)據(jù)中的各個變量有了初步了解后，我們還需要對數(shù)據(jù)進行嚴格的質(zhì)量檢查，如果數(shù)據(jù)質(zhì)量不過關，還需要進行數(shù)據(jù)的清洗或修補工作。

一般來說，質(zhì)量檢查包括檢查每個變量的缺失程度以及取值范圍的合理性。

【缺失檢查】

原始數(shù)據(jù)中經(jīng)常會存在各種各樣的缺失現(xiàn)象。

有些指標的缺失是合理的，例如顧客只有使用過某個產(chǎn)品才能對這個產(chǎn)品的滿意度進行評價，一筆貸款的抵押物中只有存在房地產(chǎn)，才會記錄相應的房地產(chǎn)的價值情況等。

像這種允許缺失的變量是最難搞的，因為我們很難判斷它的缺失是合理的，還是由于漏報造成的。

但無論哪種情況，如果變量的缺失率過高，都會影響數(shù)據(jù)的整體質(zhì)量，因為數(shù)據(jù)所反映的信息實在太少，很難從中挖掘到有用的東西。

對于不允許缺失的變量來說，如果存在缺失情況，就必須進行相應的處理。如果一個變量的缺失程度非常大，比方說達到了70%，那就考慮直接踢掉吧，估計沒救了。

如果缺失比例還可以接受的話，可以嘗試用缺失值插補的方法進行補救。

插補的目的是使插補值能最大可能的接近其真實的取值，所以如果可以從其他途徑得到變量的真實值，那一定優(yōu)先選擇這種方法。

比如某個公司的財務信息中缺失了“最終控制人類型”和“是否國家控股”這兩個取值，這些可以通過網(wǎng)上的公開信息得到真實值;再比如缺失了“凈利潤率”這個指標的取值，但是卻有“凈利潤”和“總收入”的取值，那就可以通過變量間的關系得到相應的缺失值，即凈利潤率=凈利潤/總收入。

當然，更多的時候，我們無法得到缺失值的真實信息，這時就只能借用已有的數(shù)據(jù)來進行插補了。

對數(shù)值變量來說，可以用已觀測值的均值、中位數(shù)來插補缺失值;對分類型變量來說，可以用已觀測數(shù)據(jù)中出現(xiàn)比例最高的類別取值來進行插補。

這些方法操作起來非常簡單，但它們都是對所有缺失值賦予了相同的取值，所以當缺失比例較大時，可能會扭曲被插補變量與其余變量的關系。

更復雜一點的，我們可以選擇模型插補方法，即針對被插補變量和其它自變量之間的關系建立統(tǒng)計模型(如回歸、決策樹等)，將模型預測值作為插補值。

如何處理缺失值是一個很大的研究課題，我們這里只是介紹了最簡單可行的方法，有興趣的讀者可以參閱Little和Rubin 2002年的專著“Statistical Analysis with Missing Data”。

【變量取值合理性檢查】

除了缺失外，我們還要考察每個變量的取值合理性。每個變量都會有自己的取值范圍，比如“用戶訪問量”、“下載次數(shù)”一定是非負的，“投資收益率”一定在0~1之間。通過判斷變量的取值是否超出它應有的取值范圍，可以簡單的對異常值進行甄別。

除了根據(jù)變量的取值范圍來檢查變量質(zhì)量外，還可以根據(jù)變量之間的相互關系進行判斷。例如一家公司的“凈利潤率”不應該大于“總利潤率”等。

只有通過了各個方面檢測的數(shù)據(jù)才是一份高質(zhì)量的數(shù)據(jù)，才有可能帶來有價值的模型結(jié)果。

四、實例分析——電影票房分析

最后，我們給出一個實例分析。在這個例子中，我們的目標是研究電影哪些方面的特征對電影票房有影響。

我們有兩方面的數(shù)據(jù)，一是描述電影特征的數(shù)據(jù)，二是描述電影票房的數(shù)據(jù)。

由于我們關注的是北美的票房市場，所以描述電影特征的數(shù)據(jù)可以從IMDB網(wǎng)站得到，它是一個關于演員、電影、電視節(jié)目、電視明星和電影制作的在線數(shù)據(jù)庫，里面可以找到每部上映電影的眾多信息;電影每天的票房數(shù)據(jù)可以從美國權(quán)威的票房網(wǎng)站Box Office Mojo得到，上面記錄了每部電影上映期間內(nèi)每天的票房數(shù)據(jù)。

我們將從IMDB得到的數(shù)據(jù)放到“movieinfor.csv”文件中，將從Box Office Mojo中得到的數(shù)據(jù)放到“boxoffice.csv”文件中。

這里，我們以2012年北美票房市場最高的前100部電影為例進行講解。下表給出了這兩個數(shù)據(jù)集中包含的所有變量以及相應的解釋。

在這兩個數(shù)據(jù)中，movieinfor.csv數(shù)據(jù)的記錄是精確到每部電影的，而boxoffice.csv數(shù)據(jù)精確到了每部電影中每天的票房數(shù)據(jù)，是精確到天的。上表中給出的變量中，除了電影名稱和ID外，“電影類型”“MPAA評級”(美國電影協(xié)會對電影的評級)和“星期幾”是分類型變量;“放映時長”、“制作預算”、“電影每天的票房”和“每天放映的影院數(shù)”是數(shù)值型變量。兩份數(shù)據(jù)都不存在缺失值。

我們首先對兩個數(shù)據(jù)集分別進行變量預處理，然后再根據(jù)電影ID將兩個數(shù)據(jù)整合到一起。下面給出了每個變量的處理方法：

【電影類型】

電影類型是一個分類變量。在這個變量中我們發(fā)現(xiàn)每部電影都不止一個類型，例如“The Dark Knight Rises”這部電影就有“Action”、“Crime”和“Thriller”三個類型，并且它們以“|”為分隔符寫在了一起。

同時，不同電影之間可能有相同的類型，也可能有不同的類型，例如票房排名第二的電影“Skyfall”，它的類型是“Action |Adventure |Thriller”。

因此，我們首先需要做的是把每部電影所屬的類型逐一取出來，然后將所有出現(xiàn)過的類型分別形成一個0-1啞變量，如果這部電影在某個類型上出現(xiàn)了，則相應變量的取值就是1，否則是0.

通過上面一步，我們知道這個數(shù)據(jù)集中出現(xiàn)過的所有電影類型一共有11個。

那是不是按照之前所講的，應該把它轉(zhuǎn)換為10個啞變量呢?這里需要注意的是，所有的電影類型之間并不是互斥的(即有了action，就不能有其他的類型)，所以我們無需因為共線性的原因去掉其中一個。

也就是說，如果把每一個電影類型單獨作為一個獨立的變量，可以衍生出11個新的0-1變量，這完全沒有問題。但11個變量未免有點過多，所以我們根據(jù)不同電影類型的頻數(shù)分布情況，只把出現(xiàn)次數(shù)明顯較多的類型單獨拿出來，最終生成了6個0-1型變量，分別為Adventure，F(xiàn)antasy，Comedy，Action，Animation，Others。

【MPAA評級】

對于這個分類型變量，我們首先可以看一下數(shù)據(jù)中它所包含的全部取值，發(fā)現(xiàn)一共有“PG”，“PG-13”和“R”三個。

和上面的電影類型(Genre)不同，對于一部電影而言，它只能有一個MPAA取值。因此，在MPAA變量中，我們需要選擇一個作為基準，將另外兩個構(gòu)造成啞變量。

例如，我們以“PG”為基準，構(gòu)造的兩個啞變量分別為PG13和R，如果這兩個啞變量的取值同時為0，那就相當于電影的MPAA評級是PG。

【放映當天是星期幾】

這個變量同MPAA評級一樣，每部電影只能有一個取值。

如果它在星期一到星期日上都有取值的話，我們可以衍生出6個0-1型啞變量。

因為這里我們更關注周末和非周末對電影票房的影響，而并不關注具體是哪一天，所以我們將其進一步概括成一個變量，即“是否是周末”。

【放映時長和制作預算】

放映時長和制作預算這兩個變量都是取值大于0的數(shù)值型變量，我們可以分別檢查它們的取值是否在合理的范圍內(nèi)，然后直接保留它們的數(shù)值信息。

同時，對“制作預算”而言，假設我們這里關心的不是制作預算的具體數(shù)值，而是“小成本電影”和“大成本電影”的票房差異，那我們就可以將這個數(shù)值型變量進行分箱處理，轉(zhuǎn)換為一個0-1型的分類變量，即 “是否為小成本電影”。

在決定按照什么標準來劃分是否為小成本電影時，我們根據(jù)之前文獻里的研究結(jié)果，將制作預算在100 million以下的電影看成是小成本電影。

上述所有變量的處理過程都可以使用R中最基本的語句(table，rep，which等)完成，由于篇幅限制，小編這里就不列出詳細的code了，大家感興趣的話，可以閱讀狗熊會的“R語千尋”系列(戳這里)，相信會在R語言的學習上受到更多啟發(fā)。

最后，我們將所有新生成的變量按照電影ID整合到一起，就大功告成啦。

五、總結(jié)

最后總結(jié)一下，小編在這次內(nèi)容中向大家介紹了拿到數(shù)據(jù)后的數(shù)據(jù)理解和預處理工作，內(nèi)容雖然不難，但同樣需要我們認真對待。就好像生活一樣，只有踏踏實實走好前面的路，才有可能迎接后面的高潮迭起!