r语言插补法_R语言之缺失值和异常值处理
加载并查看数据基本情况
library(VIM)
data(sleep)
str(sleep)
summary(sleep)
head(sleep)
一、处理缺失值
查看NA的分布情况,有一个直观了解
library('mice')
md.pattern(sleep)
matrixplot(sleep)
NA分布情况
根据NA的分布情况,获取数据子集
#统计每一列NA的数量
na_flag
# na_flag % .[nrow(.),-ncol(.)]#同上
library('dplyr')
#获取含有NA的列和不含NA的列
na_col = na_flag[na_flag > 0] %>% names()
full_col = setdiff(names(sleep),na_col)
# fill_col = names(sleep)[!(names(sleep) %in% na_col)]同上
# 获取所有含有NA的行
na_df = sleep[!complete.cases(sleep),]
#获取所有不含NA的行
full_df = na.omit(sleep)
#fill_df = sleep[complete.cases(sleep),]同上
#对变量进行重新排序
sleep = sleep[,c(na_col,full_col)]
1. 删除法
当缺失值占比不大时,直接删除缺失部分是最简单的办法
1.1 针对特定变量删除NA
sleep_del_Gest = sleep[!is.na(sleep$Gest),]
md.pattern(sleep_del_Gest)
对特定变量删除NA后
1.2 删除所有含NA的行
sleep_del_all = na.omit(sleep)
# sleep_del_all = sleep[complete.cases(sleep),]#同上
md.pattern(sleep_del_all)
删除所有NA
1.3 观察变化前后变量之间的相关性
library(PerformanceAnalytics)
chart.Correlation(sleep,histogram = T)
chart.Correlation(sleep_del_all,histogram = T)
删除前变量相关性
删除后变量相关性
2. 插补法
若缺失值占比过大,直接删除会损失大量的信息。这种情况应该对缺失值进行填补。
若属性是连续的,则使用该属性存在值的均值去插补缺失值;
若属性是离散的,则可取该属性的众数来插补缺失值。
2.1. 使用均值,中值等针对某一个变量填值
#观察数据分布情况
NonD_var = c(var = 'NonD',
mean = mean(sleep$NonD,na.rm = T),
median = median(sleep$NonD,na.rm = T),
quantile(sleep$NonD,c(0,0.01,0.1,0.25,0.5,0.75,0.9,1),na.rm = T),
max = max(sleep$NonD,na.rm = T),
missing = sum(is.na(sleep$NonD)))
View(t(NonD_var))
变量NonD数据分布情况
#简单可视化
op
hist(sleep$NonD,freq = F,col = 'lightblue',main = 'Befor')
#使用该变量现有数据的均值替换缺失值
library('Hmisc')
sleep$NonD = impute(sleep$NonD, fun = mean)#impute(x,2.5), impute(x,mean), impute(x,"random")
hist(NonD,freq = F,col = 'pink',main = 'After')
填值前后变量NonD数据分布变化
2.2. 基于kmeans均值算法填值
只适用于数值型缺失
####重新加载原始数据并对变量进行排序
data("sleep",package = 'VIM')
sleep = sleep[,c(na_col,full_col)]
library('DMwR')
#以距离最近的3个值根据距离进行加权平均来填值
sleep_fill_knn = knnImputation(sleep, k = 10, meth = 'weighAvg')
md.pattern(sleep_fill_knn)
sleep_fill_knn = sleep_fill_knn[,names(sleep)]
#观察变换前后数据的分布情况
op
for(fct in na_col){
hist(sleep[,fct],col = 'lightblue',freq = F,xlab = fct,main = 'Befor')
hist(sleep_fill_knn[,fct],col = 'pink',freq = F,xlab = fct,main = 'After')
}
par(op)
均值填值前后各变量数据分布情况
#观察变换前后变量间的相关性
library(PerformanceAnalytics)
chart.Correlation(sleep,histogram = T)
chart.Correlation(sleep_fill_knn,histogram = T)
before_knnImputation
after_knnImputation
2.3. 基于回归算法填值
f = as.formula(paste(paste(na_col,collapse = ' + '),'~',paste(fill_col,collapse = ' + ')))
sleep_fill_reg = regressionImp(f,data = sleep)
#这里的formular = y ~ .,y是response variable,即要插补的变量。
#我这里使用了所有包含NA的变量来对所有不含NA的变量进行回归,有些极端,仅供参考。
sleep_fill_reg = sleep_fill_reg[,names(sleep)]
md.pattern(sleep_fill_reg)
#观察变换前后数据的分布情况,变量间的相关性
library(PerformanceAnalytics)
chart.Correlation(sleep,histogram = T)
chart.Correlation(sleep_fill_reg,histogram = T)
befor_regressionImp
after_regressionImp
2.4. 基于随机森林替换
if(!require('randomForest'))(
install.packages('randomForest')
)
sleep_fill_rf = rfImpute(Danger ~ .,sleep)
sleep_fill_rf = sleep_fill_rf[,names(sleep)]
#观察变换前后数据的分布情况,变量间的相关性
library(PerformanceAnalytics)
chart.Correlation(sleep,histogram = T)
chart.Correlation(sleep_fill_rf,histogram = T)
befor_rf
after_rf
二、处理异常值
1.1 单变量异常值检测
lb = c('ggplot2','reshape2','dplyr')
lapply(lb,require,character.only = T)
boxplot(sleep_fill_rf,frame = T)
sleep_fill_rf %>% melt() %>%
ggplot(aes(NULL,value)) +
geom_boxplot(aes(fill = variable)) +
facet_wrap(variable ~. , scales = 'free_y')
sigular_boxplot
sigular_ggboxplot
1.2 盖帽法处理异常值
#采用盖帽法,用10%处的数据覆盖分布在10%以下的数据,用90%处的数据覆盖分布在99%以上的数据。
#这里的10%和90%取值有些极端,及供参考。
block
if(lower){
q1
x[x<=q1]
}
if(upper){
q99
x[x>q99]
}
return(x)
}
sleep_fill_rf_blk = sapply(sleep_fill_rf,block)
boxplot(sleep_fill_rf_blk,frame = T)
after_block
r语言插补法_R语言之缺失值和异常值处理相关推荐
- r语言插补法_R语言用多重插补法估算相对风险
在这里,我将用R中的一个小模拟示例进行说明.首先,我们使用X1和X2双变量法线和Y模拟大型数据集,其中Y遵循给定X1和X2的逻辑模型. 首先,我们模拟一个非常大的完整数据集: #simulate完整数 ...
- python均值插补法填补缺失值_R语言笔记(四):特殊值处理
输入数据后,我们就能在 R 中对数据进行一系列的操作了.但现实获得的第一手数据往往都是不完整.不整齐的,比如存在数据本身缺失值.离群值,数据框存在冗余行或列,抑或数据需要进一步加工才能获取有意义的变量 ...
- 数据预处理 第3篇:数据预处理(使用插补法处理缺失值)
插补法可以在一定程度上减少偏差,常用的插补法是热卡插补.拟合插补和多重插补.拟合插补,要求变量间存在强的相关性:多重插补(MCMC法),是在高缺失率下的首选插补方法,优点是考虑了缺失值的不确定性. 一 ...
- python 线性回归回归 缺失值 忽略_机器学习 第3篇:数据预处理(使用插补法处理缺失值)...
插补法可以在一定程度上减少偏差,常用的插补法是热卡插补.拟合插补和多重插补.拟合插补,要求变量间存在强的相关性:多重插补(MCMC法),是在高缺失率下的首选插补方法,优点是考虑了缺失值的不确定性. 一 ...
- python预处理缺失值_数据预处理 第3篇:数据预处理(使用插补法处理缺失值)...
插补法可以在一定程度上减少偏差,常用的插补法是热卡插补.拟合插补和多重插补.拟合插补,要求变量间存在强的相关性:多重插补(MCMC法),是在高缺失率下的首选插补方法,优点是考虑了缺失值的不确定性. 一 ...
- 回归插补法_用均值替换、 回归插补及多重插补进行插补
##设置工作空间 #把"数据及程序" 文件夹复制到F盘下, 再用setwd设置工作空间 setwd("F: /数据及程序/chapter4/示例程序") #读取 ...
- 回归插补法_没有完美的数据插补法,只有最适合的
数据缺失是数据科学家在处理数据时经常遇到的问题,本文作者基于不同的情境提供了相应的数据插补解决办法.没有完美的数据插补法,但总有一款更适合当下情况. 我在数据清理与探索性分析中遇到的最常见问题之一就是 ...
- DDA插补算法C语言,DDA直线插补算法在单片机上的实现基于C.doc
DDA直线插补算法在单片机上的实现基于C /*-------------------------------*/ /*时间2011年11月*/ /*功能:DDA 插补算法在单片机上实现*/ /*作者J ...
- c程序设计语言如何补零,C语言程序设计(补)-中国大学mooc-题库零氪
第1章 概述 第1讲 C语言概述随堂测验 1.C语言是面向过程的语言. 第2讲 C语言基本语法成分随堂测验 1.C语言也被称作函数语言. 第3讲 C语言环境介绍随堂测验 1.C常用的环境包括: A.V ...
- r语言逻辑向量相加_R语言基础教程——第3章:数据结构——向量
如果学过像JAVA或者C这样的高级语言,都知道,数据类型的概念,包括,整数型.浮点型.字符串.布尔类型.这些语言中,定义变量需要定义数据类型,而在R中不需要.只需要直接赋值即可.在给变量赋值时,R中可 ...
最新文章
- 二叉树层序遍历递归与非递归_总结归纳:二叉树遍历【递归 amp;amp; 非递归】...
- 自动驾驶汽车想成为主流?先过了这十二关再说
- linux自动锁屏命令_如何冻结和锁定你的Linux系统?
- 为什么美国财媒IBD力推网易为第1强股?
- ORACLE数据库在导入导出时序列不一致的问题
- 【转载】dotnet 线程同步
- java 间隔分钟_java 计算两个 日期时间 相间隔多少天小时分钟 等
- neo4j︱Cypher 查询语言简单案例(二)
- 第二次课动手动脑的问题以及课后实验性的问题
- Oracle学习技巧
- CAD的菜单栏消失,如何再次调出来
- tomcat中的日志配置
- 三大条件致病菌|大肠埃希氏菌、血链球菌、李斯特菌
- python的环境问题相关
- 图像特征提取(纹理特征)
- c++虚函数详解(你肯定懂了)
- 5500xt挖矿算力_(视频)静态计算 RTX 3080 的以太坊挖矿回本周期 白露矿业报告 (20.09.19)...
- h3c路由器和三层交换机之间连接配置
- 分享适合女生做的六个兼职项目,在家做副业,看看有没有你感兴趣的
- [附源码]计算机毕业设计Python基于微信小程序的网络办公系统(程序+源码+LW文档)