R语言数据清洗与规整-回归模型为例

数据清洗和规整是进行数据分析的前提条件，数据的清洗和规整通常会花费比进行数据分析更多的时间，正所谓“清洗一小时，分析五秒钟”。

数据清洗和规整要依据实际数据的特征进行，其包括缺失值和冗余值的处理、数据重归类、字符类型转换等。这里将使用“狗熊会”的基础案例 “高考填报志愿，你选好了吗？”的数据进行介绍。该案例用于预测高校录取分数线的相关影响因素，因变量为x2015年平均线。

数据下载链接：http://mp.weixin.qq.com/s/8jkUfoK2_-VGntfVWjnp1A

 一、数据读入与结构分析

将下载的数据转为文本格式并保存到目标文件夹下，然后读入数据，查看数据格式与内容。

>colleges<-read.csv("colleges.csv",stringsAsFactors=FALSE)  #禁止将所有字符转换为因子，以方便后续清洗和规整

>str(colleges) #查看数据结构与内容

由上可知，该数据包含1169条记录和13个变量，其中因变量 x2015年平均线 为字符型，需要转换为数值型：

>colleges$X2015年平均线<-as.numeric(colleges$X2015年平均线)

接下来，分别查看各字段，以确定是否需要进行清洗和规整。经分析，发现 所在地、隶属 字段中的字符不规范，要进行规整。

二、数据清洗与规整