如何使用R語言解決可惡的臟數據

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***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。

#模擬一批含缺失值的數據集

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.frame(Tel = Tel, Sex = Sex, Age = Age, Freq = Freq, Amount = Amount, ATV = ATV)

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：

#查看原始數據集的概要

summary(df)

#隨機參數某行某列的下標

set.seed(1234)

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

j <- sample(1:1000, size = 100)

#將下標組合成矩陣

index <- as.matrix(data.frame(j,i))

#將原始數據框轉換為矩陣

df <- as.matrix(df)

#將隨機參數的行列賦值為NA

df[index] <- NA

#重新將矩陣轉換為數據框

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據框概要

summary(df2)

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：

library(VIM)

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

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。

#剔除Tel變量的缺失觀測

df3 <- df2[is.na(df2$Tel)==FALSE,]

#分別用眾數和均值替換性別和年齡

#性別的眾數

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。

library(mice)

#對缺失值部分，進行5次的多重插補，這里默認使用隨機回歸添補法(pmm)

imp <- mice(data = df3, m = 5)

#查看一下插補的結果

imp$imp

#計算5重插補值的均值

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

#再次查看填補完缺失值后的數據集和原始數據集概況

summary(df3)

summary(df2)

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：

#隨機產生一組數據

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：

#計算下四分位數、上四分位數和四分位距

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

which(value > QU + 1.5*QU_QL)

value[which(value > QU + 1.5*QU_QL)]

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。

#用離異常點最近的點替換

test01 <- value

out_imp01 <- max(test01[which(test01 <= QU + 1.5*QU_QL)])

test01[which(test01 > QU + 1.5*QU_QL)] <- out_imp01

#用上四分位數的1.5倍四分位距或下四分位數的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

#對比替換前后的數據概覽

summary(value)

summary(test01)

summary(test02)

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。