摘 要：大數(shù)據(jù)的處理中數(shù)據(jù)的清洗工作很重要。運(yùn)用R語言對(duì)數(shù)據(jù)清洗，需要對(duì)缺失值、異常值進(jìn)行處理，文章給出了清洗的方法和相關(guān)程序語言。

關(guān)鍵詞：數(shù)據(jù)清洗;缺失值;異常值

現(xiàn)在在數(shù)據(jù)處理與挖掘中數(shù)據(jù)的預(yù)處理是很重要的，數(shù)據(jù)的處理主要是指對(duì)原始數(shù)據(jù)進(jìn)行清洗、集成、變換及規(guī)約。數(shù)據(jù)清洗是將刪除原始數(shù)據(jù)中的一些無關(guān)、重復(fù)數(shù)據(jù)，篩選掉一些與挖掘主題沒有關(guān)系的數(shù)據(jù)，對(duì)缺失值、異常值進(jìn)行處理。

一、缺失值、異常值的處理

在R中缺失值用NA表示，用is.na（）判斷缺失值是否存在。判斷后需進(jìn)行缺失值處理，經(jīng)常用的方法一般有：刪除法、插補(bǔ)法、替換法。

（1）刪除法，這也是最簡單的方法。

na.emit（）移除所有含缺失數(shù)據(jù)的行，適用于缺失值占表較少的情況。data[，-p]其中data表示目標(biāo)數(shù)據(jù)集，p表示缺失變量所在的列。適用于變量有較大缺失且對(duì)研究目標(biāo)影響不大的情況，意味著要?jiǎng)h除整個(gè)變量。

（2）替換法。

變量分為數(shù)值型和非數(shù)值型，數(shù)值型變量中缺失的可以用其他所有對(duì)象取值的均值來替換;非數(shù)值型變量中缺失的可以用其他全部有效觀測(cè)值的中位數(shù)或眾數(shù)替換。

（3）插補(bǔ)法，這是比上面兩種都要好的方法。

常用的插補(bǔ)法有，回歸插補(bǔ)法、多重插補(bǔ)法?；貧w插補(bǔ)法，利用回歸模型將需插值補(bǔ)缺的變量作為因變量，其他變量為自變量，通過回歸函數(shù)lm（）預(yù)測(cè)出因變量的值來補(bǔ)缺。多重插補(bǔ)法，從一個(gè)包含缺失值的數(shù)據(jù)集中生成一組完整的數(shù)據(jù)，如此多次，從而產(chǎn)生缺失值的一個(gè)隨機(jī)樣本。

異常值的處理方式一般有：1、刪除;2、變?yōu)槿笔е堤幚?3、如果是正確的異常值，可以直接在有異常值的數(shù)據(jù)集上建模。

二、常用的R程序語言有

#讀取銷售數(shù)據(jù)文件，提取標(biāo)題行。

inputfile=read.csv（‘./catering_sale.csv，he=T）/讀取當(dāng)前工作目錄下的文件

inputfile=read.csv（‘E：/R_Files/…/catering_sale.csv，he=T）/讀取完整工作目錄下的文件

#變換變量名。

inputfile=data.frame（sales=inputfile$銷量，date=inputfile$日期）

#數(shù)據(jù)截取。

Inputfile=inputfile[5：16，] #取5—16行

R中工作目錄：

（1） getwd（）函數(shù)顯示當(dāng)前工作目錄

（2） setwd（）更改當(dāng)前目錄，用法：

dir.ceate（“E：/R_Files”）/創(chuàng)立一個(gè)目錄（setwd不會(huì)自動(dòng)創(chuàng)建一個(gè)不存在的目錄，另：dir.ceate一次只能創(chuàng)建一個(gè)”/”路徑，如有多個(gè)”/”就需創(chuàng)建多次。）

setwd（“E：/R_Files”）更改到

getwd（）顯示當(dāng)前工作目錄

也可不用dir.ceate（）函數(shù)，直接手動(dòng)建立目標(biāo)文件夾后再setwd更改。

（3）判斷是否缺失：

is.na（inputfile） /判斷是否存在缺失。

n=sum（is.na（inputfile）） /輸出缺失個(gè)數(shù)。

（4）異常值識(shí)別：

par（mfrow=c（1，2）） #將繪圖窗口劃為1行2列，同時(shí)顯示。

dotchart（inputfile$sales） #繪制水平箱形圖。

boxplot（inputfile$sales，horizontal=T） #繪制水平箱形圖。

（5）異常值處理：

inputfile$sales[5]=NA #將第5個(gè)銷量值處理成缺失值。

fix（inputfile） #表格形式呈現(xiàn)數(shù)據(jù)。

（6）缺失值處理：

inputfile$date=as.numeric（inputfile$date） #將日期轉(zhuǎn)換為數(shù)值型變量。

sub=which（is.na（inputfile$sales）） #識(shí)別缺失值所在行數(shù)。

sub #出現(xiàn)行數(shù)值。

inputfile1=inputfile[-sub，] #完整（將數(shù)據(jù)集分成完整數(shù)據(jù)和缺失數(shù)據(jù)兩部分）。

Inputfile2=inputfile[sub，] #缺失。

（7）行刪除法處理缺失，結(jié)果轉(zhuǎn)存。

result1=inputfile1

（8）均值替換法處理缺失。

avg_sales=mean（inputfile1$sales） #求銷量表完整部分的平均值（未缺失部分均值）。

inputfile2$sales=rep（avg_sales，n） #用均值替換缺失。

result2=rbind（inputfile1，inputfile2） #將1、2兩部分合并（并入完成插補(bǔ)的數(shù)據(jù)）。

（9）回歸插補(bǔ)法處理缺失，結(jié)果轉(zhuǎn)存。

model=lm（sales～date，date=inputfile） #回歸模型擬合。

inputfile2$sales=predict（model，inputfile2） #模型預(yù)測(cè)。

result3=rbind（inputfile1，inputfile2） #將兩部分合并

（10）多重插補(bǔ)法處理缺失，結(jié)果轉(zhuǎn)存。

library（lattice） #調(diào)入函數(shù)包。

library（mass） #函數(shù)、應(yīng)用統(tǒng)計(jì)包。

library（nnet） #神經(jīng)網(wǎng)絡(luò)包。

library（mice） #多重插補(bǔ)。

imp=mice（inputfile，m=4） #4重插值，即生成4個(gè)無缺失數(shù)據(jù)集。

fit=with（imp，lm（sales～date，data=inputfile）） #選擇插補(bǔ)模型。

pooled=pool（fit） #將單獨(dú)的分析結(jié)果整合為一組結(jié)果。

summary（pooled） #獲取描述性統(tǒng)計(jì)量可以提供最大、最小、四分位數(shù)、均值……

result4=complete（imp，action=3） #選擇第3個(gè)插補(bǔ)數(shù)據(jù)集作為結(jié)果。

參考文獻(xiàn)

[1]周蘇，馮嬋璟，王碩蘋，等.大數(shù)據(jù)技術(shù)與應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2016：3-4.

[2]曾劍平.互聯(lián)網(wǎng)大數(shù)據(jù)處理技術(shù)與應(yīng)用[M].北京：清華大學(xué)出版社，2017：5-6.

作者簡介：

馮英華（1977--），男，山東壽光人，濰坊科技學(xué)院副教授，碩士。主要研究方向：應(yīng)用數(shù)學(xué)

基金項(xiàng)目：濰坊科技學(xué)院2018年度校級(jí)課題（人文社科類）重點(diǎn)項(xiàng)目，項(xiàng)目編號(hào)：2018RWZD10。