您好,登錄后才能下訂單哦!
如何在R語言中實(shí)現(xiàn)數(shù)據(jù)預(yù)處理操作?很多新手對此不是很清楚,為了幫助大家解決這個難題,下面小編將為大家詳細(xì)講解,有這方面需求的人可以來學(xué)習(xí)下,希望你能有所收獲。
開發(fā)工具:RStudio
R:3.5.2
相關(guān)包:infotheo,discretization,smbinning,dplyr,sqldf
# 這里我們使用的是鳶尾花數(shù)據(jù)集(iris) data(iris) head(iris)
Sepal.Length | Sepal.Width | Petal.Length | Petal.Width | Species | |
---|---|---|---|---|---|
1 | 5.1 | 3.5 | 1.4 | 0.2 | setosa |
2 | 4.9 | 3.0 | 1.4 | 0.2 | setosa |
3 | 4.7 | 3.2 | 1.3 | 0.2 | setosa |
4 | 4.6 | 3.1 | 1.5 | 0.2 | setosa |
5 | 5.0 | 3.6 | 1.4 | 0.2 | setosa |
6 | 5.4 | 3.9 | 1.7 | 0.4 | setosa |
相關(guān)數(shù)據(jù)解釋:
Sepal.Length:萼片長度
Sepal.Width:萼片寬度
Petal.Length:花瓣長度
Petal.Width:花瓣寬度
Species:鳶尾花品種
library(dplyr) library(sqldf) # 為數(shù)據(jù)集增加序號列(id) iris$id <- c(1:nrow(iris)) # 將鳶尾花數(shù)據(jù)集中70%的數(shù)據(jù)劃分為訓(xùn)練集 iris_train <- sample_frac(iris, 0.7, replace = TRUE) # 使用sql語句將剩下的30%花費(fèi)為測試集 iris_test <- sqldf(" select * from iris where id not in ( select id from iris_train ) ") # 去除序號列(id) iris_train <- iris_train[,-6] iris_test <- iris_test[,-6]
【注】:這里使用到sqldf包的函數(shù)sqldf函數(shù)來時(shí)間在R語言中使用SQL語句
常見的幾種無監(jiān)督分箱方法
等寬分箱法
等頻分箱法
kmeans分箱法
# 導(dǎo)入無監(jiān)督分箱包——infotheo library(infotheo) # 分成幾個區(qū)域 nbins <- 3
### 等寬分箱的原理非常簡單,就是按照相同的間距將數(shù)據(jù)分成相應(yīng)的等分 # 將連續(xù)型數(shù)據(jù)分成三份,并以1、2、3賦值 equal_width <- discretize(iris_train$Sepal.Width,"equalwidth",nbins) ### 查看分箱情況 # 查看各分類數(shù)量 table(equal_width) # 用顏色表明是等寬分箱 plot(iris_train$Sepal.Width, col = equal_width$X) ### 保存每個等分切割點(diǎn)的值(闕值) # 計(jì)算各個分類相應(yīng)的切割點(diǎn) width <- (max(iris_train$Sepal.Width)-min(iris_train$Sepal.Width))/nbins # 保存闕值 depreciation <- width * c(1:nbins) + min(iris_train$Sepal.Width)
### 等頻分箱是將數(shù)據(jù)均勻的分成相應(yīng)的等分(數(shù)量不一定是完全相同的) # 將連續(xù)型數(shù)據(jù)分成三份,并以1、2、3賦值 equal_freq <- discretize(iris_train$Sepal.Width,"equalfreq",nbins) ### 查看分箱情況 # 查看各分類數(shù)量 table(equal_width) # 用顏色表明是等頻分箱 plot(iris_train$Sepal.Width, col = equal_freq$X) ### 保存每個等分切割點(diǎn)的值(闕值) data <- iris_train$Sepal.Width[order(iris_train$Sepal.Width)] depreciation <- as.data.frame(table(equal_freq))$Freq
# kmeans分箱法,先給定中心數(shù),將觀察點(diǎn)利用歐式距離計(jì)算與中心點(diǎn)的距離進(jìn)行歸類,再重新計(jì)算中心點(diǎn),直到中心點(diǎn)# 不再發(fā)生變化,以歸類的結(jié)果做為分箱的結(jié)果。 # 將連續(xù)型數(shù)據(jù)分成三份,并以1、2、3賦值 k_means <- kmeans(iris_train$Sepal.Width, nbins) # 查看各分類數(shù)量 table(k_means$cluster) # 查看實(shí)際分箱狀況 k_means$cluster # 保存闕值 # rev() 的作用是倒置數(shù)據(jù)框 # 統(tǒng)一從左往右,從大到小 depreciation <- rev(k_means$centers)
discretization提供了幾個主要的離散化的工具函數(shù):
chiM,ChiM算法進(jìn)行離散化
chi2, Chi2算法進(jìn)行離散化
mdlp,最小描述長度原理(MDLP)進(jìn)行離散化
modChi2,改進(jìn)的Chi2方法離散數(shù)值屬性
disc.Topdown,自上而下的離散化
extendChi2,擴(kuò)展Chi2算法離散數(shù)值屬性
smbinning提供的工具函數(shù):
smbinning ,基于構(gòu)造條件推斷樹ctree的監(jiān)督式分箱
### 有監(jiān)督的數(shù)據(jù)離散化 library(discretization)# 有監(jiān)督分箱 # 使用ChiMerge算法基于卡方檢驗(yàn)進(jìn)行自下而上的合并 chi1 <- chiM(iris_train, alpha = 0.05) # alpha 為顯著性指標(biāo) apply(chi1$Disc.data,2,table) # 保存闕值 depreciation <- chi1$cutp[[2]] ## 其他有監(jiān)督分享算法 # chi2 <- chi2(iris,alp=0.5,del=0.05) # chi2()算法 # chi3 <- modChi2(iris,alp=0.5) # modChi2()算法 # chi4 <- extendChi2(iris,alp = 0.5) # extendChi2()算法 # m1 <- mdlp(iris) # 使用熵準(zhǔn)則將最小描述長度作為停止規(guī)則來離散化 # d1 <- disc.Topdown(iris,method=1) # 該功能實(shí)現(xiàn)了三種自上而下的離散化算法(CAIM,CACC,Ameva)
# 分箱前數(shù)據(jù)準(zhǔn)備 library(smbinning) # 查看測試用例 head(smbsimdf1)
fgood | cbs1 | cbs2 | cbinq | cbline | cbterm | cblineut | cbtob | cbdpd | cbnew | pmt | tob | dpd | dep | dc | od | home | inc | dd | online | rnd | period |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | 60.11 | NA | 02 | 2 | 00 | 47.51361 | 5 | No | No | M | 2 | 00No | 10481.40 | 20 | 01 | No | W06 | 00 | Yes | 0.46641029 | 2018-03-31 |
1 | 45.62 | 66.72 | 02 | 2 | 02 | 52.36222 | 4 | No | No | A | 1 | 02Hi | 10182.43 | 17 | 01 | No | W10 | 00 | Yes | 0.91980286 | 2018-05-31 |
1 | 30.86 | 66.94 | 02 | 2 | 00 | 35.89640 | 5 | No | Yes | M | 2 | 02Hi | 9645.37 | 23 | 00 | No | W05 | 00 | Yes | 0.33804009 | 2018-07-31 |
1 | 62.38 | 49.12 | 02 | 3 | 01 | 41.93578 | 6 | No | No | P | 4 | 00No | 13702.76 | 31 | 01 | No | 00 | Yes | 0.76475600 | 2017-12-31 | |
1 | 54.36 | 41.22 | 00 | 1 | 00 | 44.23662 | 5 | No | No | P | 4 | 00No | 18720.09 | 26 | 02 | Yes | W08 | 01 | Yes | 0.58563795 | 2018-02-28 |
1 | 68.78 | 50.80 | 00 | 0 | 00 | 43.59248 | 7 | Yes | Yes | A | 4 | 01Lo | 10217.07 | 31 | 00 | No | W09 | 00 | Yes | 0.05756396 | 2018-03-31 |
【注】:這里之所以不適用鳶尾花數(shù)據(jù)集的原因在于,這個函數(shù)的使用條件較為苛刻。首先它不允許數(shù)據(jù)集的列名中含有 “.” ,比如 鳶尾花數(shù)據(jù)集中的“Sepal.Width”就不可以。
其次它要求用于學(xué)習(xí)的列必須是二分類,且數(shù)據(jù)類型必須是numeric,二分類的值也必須是(0, 1) 。也是因?yàn)檫@些原因,為了方便在這里使用包中自帶的數(shù)據(jù)集。
# 使用smbinning函數(shù)進(jìn)行分箱,df 為原始數(shù)據(jù),y表示目標(biāo)標(biāo)簽,x表示需要分箱的標(biāo)簽result <- smbinning(df = smbsimdf1,y = "fgood",x = "cbs1") # 查看分箱結(jié)果的分布情況,不良率和證據(jù)權(quán)重 par(mfrow=c(2,2)) boxplot(smbsimdf1$cbs1~smbsimdf1$fgood,horizontal=T, frame=F, col="lightgray",main="Distribution") smbinning.plot(result,option="dist") smbinning.plot(result,option="badrate") smbinning.plot(result,option="WoE")
result$ivtable # 相關(guān)重要信息 result$ctree # 決策樹 result$cuts # 闕值 smbinning.sql(result) # 輸出相應(yīng)的sql語句
# 使用訓(xùn)練好的函數(shù)對數(shù)據(jù)進(jìn)行分箱(訓(xùn)練集和測試集都需要) smbsimdf1 <- smbinning.gen(smbsimdf1, result, chrname = "gcbs1") # 查看分箱情況 table(smbsimdf1$gcbs1)
【注】:除此之外也可以用smbinning.sql(result) 生成的sql語句,配合sqldf包進(jìn)行數(shù)據(jù)分箱操作。
上述方法中,除了最后一種方法,我們都沒有將訓(xùn)練好的函數(shù)用于測試集。但是在實(shí)際的分析,我們讓數(shù)據(jù)離散化最主要的目的更多的是為了降低機(jī)器學(xué)習(xí)的負(fù)擔(dān)。
因此我們除了需要對訓(xùn)練集進(jìn)行分箱操作之外,將同樣的分箱方法作用與測試集。那么下面我們就將使用之前得到的闕值,對測試集進(jìn)行分享操作。
### 對測試集進(jìn)行分箱操作 # 使用之前保存的闕值 # 這里之所以要前后加上Inf,是為了讓它的范圍能夠向正負(fù)無窮延伸 # (-Inf, a],[b, Inf) break1<-c(-Inf,depreciation,Inf) labels = c("差", "中", "良", "優(yōu)") # 第一個值是數(shù)據(jù) # 第一個值是分箱的區(qū)間 # 第三個值是替換成的數(shù) # ordered_result表示被替換成的數(shù)是否有前后順序 iris_test$Sepal.Width <- cut(iris_test$Sepal.Width,break1,labels,ordered_result = T) iris_test$Sepal.Width
R語言是用于統(tǒng)計(jì)分析、繪圖的語言和操作環(huán)境,屬于GNU系統(tǒng)的一個自由、免費(fèi)、源代碼開放的軟件,它是一個用于統(tǒng)計(jì)計(jì)算和統(tǒng)計(jì)制圖的優(yōu)秀工具。
看完上述內(nèi)容是否對您有幫助呢?如果還想對相關(guān)知識有進(jìn)一步的了解或閱讀更多相關(guān)文章,請關(guān)注億速云行業(yè)資訊頻道,感謝您對億速云的支持。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。