利用R語言資料探勘 Chapter5資料前置處理 @ 預計甚麼都可能會有的筆記本

資料探勘Chapter5資料前置處理

5.1 資料集載入

A. 安裝三個軟體套件(lattice,MASS,nnet)

install.packages("lattice")

install.packages("MASS")

install.packages("nnet")

library(lattice)

library(MASS)

library(nnet)

B. 載入mice軟體套件。選擇使用nhanes2資料集示範，該資料集是個含有遺漏值的小規模資料集

install.packages("mice")

library(mice)

data("nhanes2")

nrow(nhanes2);ncol(nhanes2)

[1] 25

[1] 4

summary(nhanes2)

age bmi hyp chl

20-39:12 Min. :20.40 no :13 Min. :113.0

40-59: 7 1st Qu.:22.65 yes : 4 1st Qu.:185.0

60-99: 6 Median :26.75 NA's: 8 Median :187.0

Mean :26.56 Mean :191.4

3rd Qu.:28.93 3rd Qu.:212.0

Max. :35.30 Max. :284.0

NA's :9 NA's :10

NA：

1.觀測職缺失

2.存在計算錯誤或計算值不符合要求

C. 為了將要使用的資料集有直觀的把握，將前六筆資料展示

head(nhanes2)

age bmi hyp chl

1 20-39 NA <NA> NA

2 40-59 22.7 no 187

3 20-39 NA no 187

4 60-99 NA <NA> NA

5 20-39 20.4 no 113

6 60-99 NA <NA> 184

5.2 資料清理

通常使用統計圖表來探索規律

畫圖：對pay中66個資料進行探索性資料分析(長條圖、點圖、箱型圖、Q-Q圖)

pay=c(11,19,14,28,13,81,12,43,11,16,31,16,23,42,22,26,17,22,13,27,180,16,43,82,14,11,51,76,28,66,29,14,14,65,37,16,37,35,39,27,14,17,13,38,28,40,85,32,25,26,16,12,54,40,18,27,16,14,33,29,77,50,19,34)

par(mfrow=c(2,2))

hist(pay)

dotchart(pay)

boxplot(pay,horizontal = T)

qnorm(pay);qqline(pay)

5.2.1遺漏值處理

A. 用函數is.na計算遺漏值的數量

sum(is.na(nhanes2)) #計算nhanes2中遺漏值的數量

[1] 27

B. 用函數complete.cases計算nhanes2中完整樣本的數量

sum(complete.cases(nhanes2)) #計算nhanes2中完整樣本的數量

[1] 13

C. 資料缺失的情況下，需要進一步對資料缺失情況進行觀測，判斷缺失資料是否隨機。可以利用mice套件中的md.pattern函數觀測遺漏值情況。

md.pattern(nhanes2)

age hyp bmi chl

13 1 1 1 1 0

1 1 1 0 1 1

3 1 1 1 0 1

1 1 0 0 1 2

7 1 0 0 0 3

0 8 9 10 27

D. mice套件中的函數實現多重差補法

基本形式 mice(data,m=5,...)

E. 用mice()函數建構模型

imp=mice(nhanes2,m=4) #產生4組完整的資料庫並指定給imp

iter imp variable

1 1 bmi hyp chl

1 2 bmi hyp chl

1 3 bmi hyp chl

1 4 bmi hyp chl

2 1 bmi hyp chl

2 2 bmi hyp chl

2 3 bmi hyp chl

2 4 bmi hyp chl

3 1 bmi hyp chl

3 2 bmi hyp chl

3 3 bmi hyp chl

3 4 bmi hyp chl

4 1 bmi hyp chl

4 2 bmi hyp chl

4 3 bmi hyp chl

4 4 bmi hyp chl

5 1 bmi hyp chl

5 2 bmi hyp chl

5 3 bmi hyp chl

5 4 bmi hyp chl

fit=with(imp,lm(chl~age+hyp+bmi))

pooled=pool(fit)

summary(pooled)

                   est        se          t        df   Pr(>|t|)        lo 95

(Intercept)  26.813103 71.663294  0.3741539  8.613855 0.71733321 -136.4151163

age2         51.887524 32.830729  1.5804560  3.904344 0.19088242  -40.1527272

age3         68.792827 29.656688  2.3196396  8.090160 0.04860053    0.5368177

hyp2        -15.849396 23.327260 -0.6794366 11.760671 0.51001290  -66.7900807

bmi           5.103029  2.584499  1.9744746  6.971265 0.08907247   -1.0134517

               hi 95        nmis       fmi         lambda

(Intercept)  190.04132   NA       0.4406377    0.3242718

age2          143.92777    NA      0.7151216     0.5989477

age3          137.04884    NA      0.4638688     0.3459102

hyp2          35.09129     NA      0.3208435     0.2143983

bmi           11.21951      9      0.5181282      0.3972260

nmis：缺失資料個數

fmi：由缺失資料貢獻的變異

F. 插補法

使用隨機差補

sub=which(is.na(nhanes2[,4])==TRUE)

dataTR=nhanes2[-sub,]

dataTE=nhanes2[sub,]

dataTE[,4]=sample(dataTR[,4],length(dataTE[,4]),replace = T)

dataTE

    age    bmi      hyp     chl

1  20-39   NA      <NA>    184

4  60-99   NA      <NA>    187

10 40-59   NA      <NA>    113

11 20-39   NA      <NA>    238

12 40-59   NA      <NA>    131

15 20-39   29.6     no     238

16 20-39   NA      <NA>    204

20 60-99   25.5     yes    206

21 20-39   NA      <NA>    199

24 60-99   24.9     no     204

使用平均值法

sub=which(is.na(nhanes2[,4])==TRUE)

dataTR=nhanes2[-sub,]

dataTE=nhanes2[sub,]

dataTE[,4]=mean(dataTR[,4])

dataTE

age bmi hyp chl

1 20-39 NA <NA> 191.4

4 60-99 NA <NA> 191.4

10 40-59 NA <NA> 191.4

11 20-39 NA <NA> 191.4

12 40-59 NA <NA> 191.4

15 20-39 29.6 no 191.4

16 20-39 NA <NA> 191.4

20 60-99 25.5 yes 191.4

21 20-39 NA <NA> 191.4

24 60-99 24.9 no 191.4

透過建立回歸模型預測出因變數的值缺失變數進行插補

sub=which(is.na(nhanes2[,4])==TRUE)

dataTR=nhanes2[-sub,]

dataTE=nhanes2[sub,]

dataTE

age bmi hyp chl

1 20-39 NA <NA> NA

4 60-99 NA <NA> NA

10 40-59 NA <NA> NA

11 20-39 NA <NA> NA

12 40-59 NA <NA> NA

15 20-39 29.6 no NA

16 20-39 NA <NA> NA

20 60-99 25.5 yes NA

21 20-39 NA <NA> NA

24 60-99 24.9 no NA

lm=lm(chl~age,data=dataTR)

nhanes2[sub,4]=round(predict(lm,dataTE))

head(nhanes2)

age bmi hyp chl

1 20-39 NA <NA> 169

2 40-59 22.7 no 187

3 20-39 NA no 187

4 60-99 NA <NA> 225

5 20-39 20.4 no 113

6 60-99 NA <NA> 184

熱平台插補

在非遺漏值資料集中找到一個與遺漏值所在樣本(比對樣本)，利用其中的觀測值對遺漏值進行插補。

accept=nhanes2[which(apply(is.na(nhanes2),1,sum)!=0),]

donate=nhanes2[which(apply(is.na(nhanes2),1,sum)==0),]

accept[1,]

age bmi hyp chl

1 20-39 NA <NA> 169

donate[1,]

age bmi hyp chl

2 40-59 22.7 no 187

對於accept中的第2個樣本

accept[2,]

age bmi hyp chl

3 20-39 NA no 187

sa=donate[which(donate[,1]==accept[2,1]&donate[,3]==accept[2,3]&donate[,4]==accept[2,4]),]

age bmi hyp chl

8 20-39 30.1 no 187

accept[2,2]=sa[1,2]

accept[2,]

age bmi hyp chl

3 20-39 30.1 no 187

冷平台插補法

當變數數量很多時，通常很難找到與需要插補樣本完全相同的樣本，此時可以按照某些變數將資料分層，在曾中隊遺漏值使用平均值插補

level1=nhanes2[which(nhanes2[,3]=="yes"),]

level1

age bmi hyp chl

14 40-59 28.7 yes 204

17 60-99 27.2 yes 284

18 40-59 26.3 yes 199

20 60-99 25.5 yes 225

level1[4,4]=mean(level1[1:3,4])

level1

age bmi hyp chl

14 40-59 28.7 yes 204

17 60-99 27.2 yes 284

18 40-59 26.3 yes 199

20 60-99 25.5 yes 229

5.2.2雜訊資料處理

先安裝outliers軟體

install.packages("outliers")

A. 尋找異常值

函數的主要形式outlier(x,opposite=FALSE,logical=FALSE)

library(outliers)

set.seed(1);s1=.Random.seed

y=rnorm(100)

outlier(y)

[1] -2.2147

outlier(y,opposite = TRUE)

[1] 2.401618

dotchart(y)

dim(y) <- c(20,5)

outlier(y)

[1] -2.214700 -1.989352  1.980400  2.401618 -1.523567

outlier(y,opposite = TRUE)

[1]  1.595281  1.358680 -1.129363 -1.804959  1.586833

set.seed(1);s1=.Random.seed

y=rnorm(10)

outlier(y,logical = TRUE)

 [1] FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE

plot(y)

先建立亂數

install.packages(.Random.seed)

寬箱平均值光滑方法為例

set.seed(1); s1=.Random.seed

x=rnorm(12)

x=sort(x)

dim(x)=c(3,4)

x[1,]=apply(x,1,mean)[1]

x[2,]=apply(x,1,mean)[2]

x[3,]=apply(x,1,mean)[3]

             [,1]         [,2]         [,3]         [,4]

[1,] -0.003212265 -0.003212265 -0.003212265 -0.003212265

[2,]  0.340596290  0.340596290  0.340596290  0.340596290

[3,]  0.468529029  0.468529029  0.468529029  0.468529029

5.2.3資料不一致處理

A. vapply函數

  基本形式  vapply(X, FUN.VALUE,...,USE.NAMES = TRUE)

B. 下面程式中的rt.value變數設定傳回值長度和類型，如果FUN函數獲得的結果和rt.value設定的不一樣會出錯：

x<- list(a=1:10,beta=exp(-3:3),logic=c(TRUE,FALSE,FALSE,TRUE))

$a

 [1]  1  2  3  4  5  6  7  8  9 10

$beta

[1]  0.04978707  0.13533528  0.36787944  1.00000000  2.71828183  7.38905610

[7] 20.08553692

$logic

[1]  TRUE FALSE FALSE  TRUE

probs <- c(1:3/4)

rt.value <- c(0,0,0)      #設定傳回值為3個數字

vapply(x, quantile,FUN.VALUE = rt.value,probs=probs)

       a      beta logic

25% 3.25 0.2516074   0.0

50% 5.50 1.0000000   0.5

75% 7.75 5.0536690   1.0

C. 將probs <- c(1:3/4)改成probs <- c(1:4/4)，會導致傳回值與要求格式不一致，進而提示錯誤。

probs <- c(1:4/4) #設定四個分為點

> vapply(x, quantile,FUN.VALUE = rt.value,probs=probs)

Error in vapply(x, quantile, FUN.VALUE = rt.value, probs = probs) :

values must be length 3,

but FUN(X[[1]]) result is length 4

D. 將要求值長度改成4

rt.value <- c(0,0,0,0)     #設定傳回值為4個數字

vapply(x, quantile,FUN.VALUE = rt.value,probs=probs)

         a       beta logic

25%   3.25  0.2516074   0.0

50%   5.50  1.0000000   0.5

75%   7.75  5.0536690   1.0

100% 10.00 20.0855369   1.0

rt.value <- c(0,0,0,"")     #設定傳回值為3個數字和1個字串

vapply(x, quantile,FUN.VALUE = rt.value,probs=probs)

Error in vapply(x, quantile, FUN.VALUE = rt.value, probs = probs) :

  values must be type 'character',

 but FUN(X[[1]]) result is type 'double'

5.3 資料整合

A. 對矩陣x進行卡方檢定，檢查兩列是否相關。

x=cbind(sample(c(1:50),10),sample(c(1:50),10))

chisq.test(x)

Pearson's Chi-squared test

data:  x

X-squared = 80.226, df = 9, p-value = 1.458e-13

B. 相關係數和協方差的R實現如下：

x=cbind(rnorm(10),rnorm(10))

cor(x)                 #求兩列資料的相關係數

           [,1]       [,2]

[1,]  1.0000000 -0.3839065

[2,] -0.3839065  1.0000000

cov(x)                 #求兩列資料的協方差

           [,1]       [,2]

[1,]  0.9187874 -0.2380315

[2,] -0.2380315  0.4184109

C.檢測觀測值是否存在重複

x=cbind(sample(c(1:10),10,replace = T),rnorm(10),rnorm(10))

> head(x)

     [,1]       [,2]       [,3]

[1,]    5 -0.1324555 -3.0008140

[2,]    7 -0.3057390 -0.8859022

[3,]    1  0.4773073 -0.7555930

[4,]    3  0.2899630  1.6394230

[5,]    6 -0.4389847 -0.2607102

[6,]    8 -0.7283198 -0.5318854

y=unique(x[,1])

sub=rep(0,length(y))

for(i in 1:length(y))

+     sub[i]=which(x[,1]==y[i])[1]

x=x[sub,]

head(x)

       [,1]       [,2]             [,3]

[1,]    5         -0.1324555     -3.0008140

[2,]    7         -0.3057390     -0.8859022

[3,]    1          0.4773073     -0.7555930

[4,]    3          0.2899630      1.6394230

[5,]    6         -0.4389847     -0.2607102

[6,]    8         -0.7283198     -0.5318854

5.4 資料轉換

A.標準化

set.seed(1);s1=.Random.seed

a=rnorm(5)

b=scale(a)

         [,1]

[1,] -0.78636077

[2,]  0.05657773

[3,] -1.00401553

[4,]  1.52544305

[5,]  0.20835553

attr(,"scaled:center")     #原資料平均值

[1] 0.1292699

attr(,"scaled:scale")      #原資料標準差

[1] 0.9610394

B.離散化

a=c(0.7063422,0.7533599,0.6675749,0.6100253,0.9341495,0.6069284,0.3462011)

n=length(a)

la=rep(0,n)

la[which(a>0.5)]=1

[1] 1 1 1 1 1 1 0

C. 資料泛化可視為資料合併

city=c(6,7,6,2,2,6,2,1,5,7,2,1,1,6,1,3,8,8,1,1)

province=rep(0,20)

province[which(city>4)]=1

province

 [1] 1 1 1 0 0 1 0 0 1 1 0 0 0 1 0 0 1 1 0 0

5.5 資料精簡

安裝glmnet

install.packages("glmnet")

library(glmnet)

install.packages("Matrix")

install.packages("foreach")

library(foreach)

library(Matrix)

AIC準則是赤池資訊準則的簡稱，通常用來評價模型的複雜度和擬合效果

計算公式   AIC=-2ln(L)+2k

使用glmnet()函數實現對不同分布資料進行LASSO變數選擇

x=matrix(rnorm(100*20),100,20)

y=rnorm(100)

fit1=glmnet(x,y)

b=coef(fit1,s=0.01)

21 x 1 sparse Matrix of class "dgCMatrix"

(Intercept) -0.0886071507

V1 0.0189077134

V2 -0.2255922175

V3 0.2290716761

V4 -0.0337900690

V5 0.0290566569

V6 0.1017043781

V7 -0.1249554544

V8 0.0024999142

V9 0.1183096398

V10 0.2108410505

V11 .

V12 .

V13 0.1189089764

V14 -0.0004527807

V15 -0.1126944051

V16 0.0444677393

V17 0.1477912729

V18 -0.0480913783

V19 0.0052171596

V20 -0.0637364512

predict(fit1,newx = x[1:10,],s=c(0.01,0.005))

1 2

[1,] 0.62248794 0.65001683

[2,] -0.18558974 -0.18122650

[3,] -0.95325106 -0.99672620

[4,] 0.25398562 0.25783962

[5,] -0.30157582 -0.31235142

[6,] 0.33770641 0.35028559

[7,] -0.10093579 -0.10975594

[8,] 0.47216618 0.48768391

[9,] -0.65937676 -0.70485304

[10,] 0.04617174 0.02387368

-------------------------------------------------------------------------

參考書為「利用R語言打通大數據的經脈(第二版)」

本文為看書練習的成果~

R 資料探勘處理遺漏值 Data mining

Xuli

預計甚麼都可能會有的筆記本

Xuli 發表在痞客邦留言(0) 人氣()

E-mail轉寄

預計甚麼都可能會有的筆記本

記錄各種筆記

利用R語言資料探勘 Chapter5資料前置處理

歷史上的今天

留言列表

站方公告

活動快報

日本最優價租車

我的好友

熱門文章

文章分類

最新文章

最新留言

動態訂閱

文章精選

文章搜尋

新聞交換(RSS)

誰來我家

參觀人氣

QR Code

POWERED BY