R語言數據集實例分析

今天小編給大家分享一下R語言數據集實例分析的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

1 獲得數據集（get the dataset）
數據集包括兩部分，獨立變量（independent variable）和依賴變量（dependent variable
機器學習的目的就是需要通過獨立變量來預測非獨立變量（prediction）。

2 導入數據集（importing dataset）
先設置working directory, 將代碼與數據保存在working directory文件夾下

# 設置working directory
getwd()
setwd("C:\\Users\\M*****\\Documents\\ML\\day1\\")

# Importing the dataset
dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE)
View(dataset)

Age和Salary是獨立變量，通過這兩個獨立變量預測是否會Purchase（非獨立變量）。

3 處理空數據（Handling the missing data）
在數據集中可能會出現為空的數據，我們不能刪除有空數據的列，這會對我們機器學習的結果造成影響，NA有很多處理方法（后續分享），此處用mean來代替空值。

# Taking care of missing data
dataset$Age = ifelse(is.na(dataset$Age),mean(dataset$Age, na.rm = TRUE),dataset$Age)

dataset$Salary = ifelse(is.na(dataset$Salary),
                        ave(dataset$Salary, FUN = function(x) mean(x, na.rm = TRUE)),
                        dataset$Salary)

 Country      Age   Salary Purchased
1   France 44.00000 72000.00        No
2    Spain 27.00000 48000.00       Yes
3  Germany 30.00000 54000.00        No
4    Spain 38.00000 61000.00        No
5  Germany 40.00000 63777.78       Yes
6   France 35.00000 58000.00       Yes
7    Spain 38.77778 52000.00        No
8   France 48.00000 79000.00       Yes
9  Germany 50.00000 83000.00        No
10  France 37.00000 67000.00       Yes
      
4 分類數據（Encoding categorical data）
對于數據集中的同類別的數據（如country列）為非numerical的數據，可以用數字1,2,3區分不同國家，但是會出現問題。國家之間地位相同，但數字有大小之分。
因此需要設置啞變量，不同的類別（如不同國家）單獨分為一個列，屬于這個國家的設置為1，不屬于的設置為0。
      
注：在R語言中不需要特別將每一類別分為一列，因為每一列用vector來表示，可以接受不同的大小。

# Encoding categorical data
dataset$Country = factor(dataset$Country,
                         levels = c('France', 'Spain', 'Germany'),
                         labels = c(1, 2, 3))
dataset$Purchased = factor(dataset$Purchased,
                           levels = c('No', 'Yes'),
                           labels = c(0, 1))

5 將數據集分類
當數據集準備完成之后，將獨立變量和依賴變量分為訓練集和測試集。訓練集與測試集的比例一般是用4:1。
        
# Splitting the dataset into the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Purchased, SplitRatio = 0.8)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)

test_set
  Country Age Salary Purchased
6       1  35  58000         1
9       3  50  83000         0

6 特征量化 (feature scaling)
數據處理的重要步驟，在機器學習中，由于每個變量的范圍不同，如果兩個變量之間差距太大，會導致距離對結果產生影響。需要一定的標準化改變，最簡單的方式是將數據縮放至[0.1]或者[-1,1]之間：

# Feature Scaling
training_set[, 2:3] = scale(training_set[, 2:3])
test_set[, 2:3] = scale(test_set[, 2:3])

test_set
  Country        Age     Salary Purchased
6       1 -0.7071068 -0.7071068         1
9       3  0.7071068  0.7071068         0

Done 建立模板
經過以上幾個簡單的對數據進行預處理的步驟，既為初步的分析模板，
下面就開始真正的機器學習入門到放棄了。

R代碼如下：
# Data Preprocessing template
# Importing the dataset
dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE)

# Taking care of missing data
dataset$Age = ifelse(is.na(dataset$Age),mean(dataset$Age, na.rm = TRUE),dataset$Age)

dataset$Salary = ifelse(is.na(dataset$Salary),
                        ave(dataset$Salary, FUN = function(x) mean(x, na.rm = TRUE)),
                        dataset$Salary)

# Encoding categorical data
dataset$Country = factor(dataset$Country,
                         levels = c('France', 'Spain', 'Germany'),
                         labels = c(1, 2, 3))
dataset$Purchased = factor(dataset$Purchased,
                           levels = c('Yes','No'),
                           labels = c(1, 0))      

# Splitting the dataset into the Training set and Test set
library(caTools)
set.seed(123)
split = sample.split(dataset$Purchased, SplitRatio = 0.8)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)

# Feature Scaling
training_set[, 2:3] = scale(training_set[, 2:3])
test_set[, 2:3] = scale(test_set[, 2:3])

以上就是“R語言數據集實例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。