数据预处理的主要内容包括
数据清洗
原始数据的质量直接影响了数据分析的质量,不符合要求的脏数据有:
- 无关数据。
- 重复数据或者含有特殊符号的数据。
- 缺失值。产生原因是有些数据无法获取,或者获取成本过高,或者获取数据时产生误差。
- 异常值。指明显偏离其他观测值的数据。
数据清晰需要处理脏数据,包括删除无关数据、重复数据,处理缺失值、异常值。
**缺失值处理:**使用NA表示,is.na
识别是否存在缺失值。缺失值常见处理方法:
- 删除法:使用
na.omit()
移除缺失行,该方法适用于缺失目标影响不大的情况。 - 替换法:如果缺少数值型变量,使用均值代替;非数值型变量使用其他全部有效观测值的中位数或众数进行替换。
- 插补法:回归插补法(利用回归模型预测缺失值)、多重插补法(使用mice函数包产生缺失值随机样本)。
**异常值处理:**使用箱线图、散点图进行识别,如超过上下四分位数 +/- 1.5倍上下四分位数间距
的为异常值。还可以使用标准差寻找。异常值的处理方法是:
- 直接删除。如果样本量很少,或者删除后影响整个数据集,不建议删除。
- 视为缺失值,利用缺失值的方法处理。
- 平均值修正。使用前后两个观测值的平均值修正