如何使用R語(yǔ)言解決可惡的臟數(shù)據(jù)

在數(shù)據(jù)分析過(guò)程中最頭疼的應(yīng)該是如何應(yīng)付臟數(shù)據(jù)，臟數(shù)據(jù)的存在將會(huì)對(duì)后期的建模、挖掘等工作造成嚴(yán)重的錯(cuò)誤，所以必須謹(jǐn)慎的處理那些臟數(shù)據(jù)。
臟數(shù)據(jù)的存在形式主要有如下幾種情況：
1）缺失值
2）異常值
3）數(shù)據(jù)的不一致性
下面就跟大家侃侃如何處理這些臟數(shù)據(jù)。
一、缺失值
缺失值，顧名思義就是一種數(shù)據(jù)的遺漏，根據(jù)CRM中常見的缺失值做一個(gè)匯總：
1）會(huì)員信息缺失，如身份證號(hào)、手機(jī)號(hào)、性別、年齡等
2）消費(fèi)數(shù)據(jù)缺失，如消費(fèi)次數(shù)、消費(fèi)金額、客單價(jià)，卡余等
3）產(chǎn)品信息缺失，如批次、價(jià)格、折扣、所屬類別等

根據(jù)實(shí)際的業(yè)務(wù)需求不同，可以對(duì)缺失值采用不同的處理辦法，如需要給會(huì)員推送短信，而某些會(huì)員恰好手機(jī)號(hào)不存在，可以考慮剔除；如性別不知道，可以使用眾數(shù)替代；如年齡未知，可以考慮用均值替換。當(dāng)然還有其他處理缺失值的辦法，如多重插補(bǔ)法。下面以一個(gè)簡(jiǎn)單的例子，來(lái)說(shuō)明缺失值的處理。

#模擬一批含缺失值的數(shù)據(jù)集

set.seed(1234)
Tel <- 13812341000:13812341999
Sex <- sample(c('F','M'), size = 1000, replace = T, prob = c(0.4,0.6))
Age <- round(runif(n = 1000, min = 18, max = 60))
Freq <- round(runif(n = 1000, min = 1, max = 368))
Amount <- rnorm(n = 1000, mean = 134, sd = 10)
ATV <- runif(n = 1000, min = 23, max = 138)
df <- data.table(Tel = Tel, Sex = Sex, Age = Age, Freq = Freq, Amount= Amount, ATV = ATV)

上面的數(shù)據(jù)框是一個(gè)不含有任何缺失值的數(shù)據(jù)集，現(xiàn)在我想隨機(jī)產(chǎn)生100個(gè)缺失值，具體操作如下：
查看原始數(shù)據(jù)集的概要

summary(df)

隨機(jī)參數(shù)某行某列的下標(biāo)

set.seed(1234)

i <- sample(1:6, size = 100, replace = T)

j <- sample(1:1000, size = 100)
將下標(biāo)組合成矩陣

index <- as.matrix(data.frame(j,i))
將原始數(shù)據(jù)框轉(zhuǎn)換為矩陣

df <- as.matrix(df)

將隨機(jī)參數(shù)的行列賦值為NA

df[index] <- NA
重新將矩陣轉(zhuǎn)換為數(shù)據(jù)框

df2 <- as.data.frame(df)
變換變量類型

df2$Age <- as.integer(df2$Age)

df2$Freq <- as.integer(df2$Freq)

df2$Amount <- as.numeric(df2$Amount)

df2$ATV <- as.numeric(df2$ATV)
再一次查看賦予缺失值后的數(shù)據(jù)框概要

summary(df2)

很明顯這里已經(jīng)隨機(jī)產(chǎn)生100個(gè)缺失值了，下面看看這100個(gè)缺失值的分布情況。我們使用VIM包中的aggr()函數(shù)繪制缺失值的分布情況：

library(VIM)

aggr(df2, prop = FALSE, numbers = TRUE)

圖中顯示：Tel變量有21個(gè)缺失，Sex變量有28個(gè)缺失，Age變量有6個(gè)缺失，F(xiàn)req變量有20個(gè)缺失，Amount變量有13個(gè)缺失，ATV有12個(gè)缺失。

為了演示，下面對(duì)Tel變量缺失的觀測(cè)進(jìn)行剔除；對(duì)Sex變量的缺失值用眾數(shù)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(bǔ)法填充。
剔除Tel變量的缺失觀測(cè)

df3 <- df2[is.na(df2$Tel)==FALSE,]
分別用眾數(shù)和均值替換性別和年齡
性別的眾數(shù)

Sex_mode <- names(which.max(table(df3$Sex)))
年齡的均值

Age_mean <- mean(df3$Age, na.rm = TRUE)

library(tidyr)

df3 <- replace_na(df3,replace = list(Sex = Sex_mode, Age = Age_mean))

summary(df3)

這個(gè)時(shí)候，Tel變量、Sex變量和Age變量已不存在缺失值，下面對(duì)Freq變量、Amount變量和ATV變量使用多重插補(bǔ)法。

可通過(guò)mice包實(shí)現(xiàn)多重插補(bǔ)法，該包可以對(duì)數(shù)值型數(shù)據(jù)和因子型數(shù)據(jù)進(jìn)行插補(bǔ)。

對(duì)于數(shù)值型數(shù)據(jù)，默認(rèn)使用隨機(jī)回歸添補(bǔ)法(pmm)；對(duì)二元因子數(shù)據(jù)，默認(rèn)使用Logistic回歸添補(bǔ)法(logreg)；對(duì)多元因子數(shù)據(jù)，默認(rèn)使用分類回歸添補(bǔ)法(polyreg)。

其他插補(bǔ)法，可通過(guò)?mice查看相關(guān)文檔。

library(mice)
對(duì)缺失值部分，進(jìn)行5次的多重插補(bǔ)，這里默認(rèn)使用隨機(jī)回歸添補(bǔ)法(pmm)

imp <- mice(data = df3, m = 5)
查看一下插補(bǔ)的結(jié)果

imp$imp
計(jì)算5重插補(bǔ)值的均值

Freq_imp <- apply(imp$imp$Freq,1,mean)

Amount_imp <- apply(imp$imp$Amount,1,mean)

ATV_imp <- apply(imp$imp$ATV,1,mean)
并用該均值替換原來(lái)的缺失值

df3$Freq[is.na(df3$Freq)] <- Freq_imp

df3$Amount[is.na(df3$Amount)] <- Amount_imp

df3$ATV[is.na(df3$ATV)] <- ATV_imp
再次查看填補(bǔ)完缺失值后的數(shù)據(jù)集和原始數(shù)據(jù)集概況

summary(df3)

summary(df2)

通過(guò)不同的方法將缺失值數(shù)據(jù)進(jìn)行處理，從上圖可知，通過(guò)填補(bǔ)后，數(shù)據(jù)的概概覽情況基本與原始數(shù)據(jù)相近，說(shuō)明填補(bǔ)過(guò)程中，基本保持了數(shù)據(jù)的總體特征。
二、異常值

異常值也是非常痛恨的一類臟數(shù)據(jù)，異常值往往會(huì)拉高或拉低數(shù)據(jù)的整體情況，為克服異常值的影響，我們需要對(duì)異常值進(jìn)行處理。首先，我們需要識(shí)別出哪些值是異常值或離群點(diǎn)，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(shí)別異常值

一般通過(guò)繪制盒形圖來(lái)查看哪些點(diǎn)是離群點(diǎn)，而離群點(diǎn)的判斷標(biāo)準(zhǔn)是四分位數(shù)與四分位距為基礎(chǔ)。

即離群點(diǎn)超過(guò)上四分位數(shù)的1.5倍四分位距或低于下四分位數(shù)的1.5倍四分位距。

例子：
隨機(jī)產(chǎn)生一組數(shù)據(jù)

set.seed(1234)

value <- c(rnorm(100, mean = 10, sd = 3), runif(20, min = 0.01, max
= 30), rf(30, df1 = 5, df2 = 20))
繪制箱線圖,并用紅色的方塊標(biāo)注出異常值

library(ggplot2)

ggplot(data = NULL, mapping = aes(x ='', y = value)) + geom_boxplot(outlier.colour = 'red', outlier.shape = 15, width = 1.2)

圖中可知，有一部分?jǐn)?shù)據(jù)落在上四分位數(shù)的1.5倍四分位距之上，即異常值，下面通過(guò)編程，將異常值找出來(lái)：
計(jì)算下四分位數(shù)、上四分位數(shù)和四分位距

QL <- quantile(value, probs = 0.25)

QU <- quantile(value, probs = 0.75)

QU_QL <- QU-QL

QL;QU;QU_QL

2、找出異常點(diǎn)
which(value > QU + 1.5*QU_QL)
value[which(value > QU + 1.5*QU_QL)]

結(jié)果顯示，分別是第104、106、110、114、116、118和120這6個(gè)點(diǎn)。下面就要處理這些離群點(diǎn)，一般有兩種方法，即剔除或替補(bǔ)。剔除很簡(jiǎn)單，但有時(shí)剔除也會(huì)給后面的分析帶來(lái)錯(cuò)誤的結(jié)果，接下來(lái)就講講替補(bǔ)。
用離異常點(diǎn)最近的點(diǎn)替換
test01 <- value
out_imp01 <- max(test01[which(test01 <= QU + 1.5*QU_QL)])
test01[which(test01 > QU + 1.5*QU_QL)] <- out_imp01
用上四分位數(shù)的1.5倍四分位距或下四分位數(shù)的1.5倍四分位距替換
test02 <- value
out_imp02 <- QU + 1.5*QU_QL
test02[which(test02 > QU + 1.5*QU_QL)] <- out_imp02
對(duì)比替換前后的數(shù)據(jù)概覽
summary(value)
summary(test01)
summary(test02)

三、數(shù)據(jù)的不一致性
數(shù)據(jù)的不一致性一般是由于不同的數(shù)據(jù)源導(dǎo)致，如有些數(shù)據(jù)源的數(shù)據(jù)單位是斤，而有些數(shù)據(jù)源的數(shù)據(jù)單位為公斤；如有些數(shù)據(jù)源的數(shù)據(jù)單位是米，而有些數(shù)據(jù)源的數(shù)據(jù)單位為厘米；如兩個(gè)數(shù)據(jù)源的數(shù)據(jù)沒(méi)有同時(shí)更新等。對(duì)于這種不一致性可以通過(guò)數(shù)據(jù)變換輕松得到一致的數(shù)據(jù)，只有數(shù)據(jù)源的數(shù)據(jù)一致了，才可以進(jìn)行統(tǒng)計(jì)分析或數(shù)據(jù)挖掘。由于這類問(wèn)題的處理比較簡(jiǎn)單，這里就不累述具體的處理辦法了。
即使只是凡世中一顆小小的塵埃，命運(yùn)也要由自己主宰，像向日葵般，迎向陽(yáng)光、勇敢盛開