使用R进行数据清洗

数据清洗是整个数据分析过程中一个非常重要的环节。数据清洗的目的有两个,第一是通过清洗让数据可用。第二是让数据变的更适合进行后续的分析工作。本篇文章将介绍几种简单的使用R进行数据清洗的方法。


hazmat team inspecting a hard drive

读取并创建数据表

首先将数据读取到R中,并创建名为loan的数据表。后面我们将对这个数据表进行清洗。


#读取并创建数据表
loan=data.frame(read.csv('loan.csv',header = 1))

使用head函数查看数据表的前5行。


#查看数据表前5行
head(loan)

%e6%9f%a5%e7%9c%8b%e6%95%b0%e6%8d%ae%e8%a1%a8

数据清洗

重复值

使用duplicated函数查看数据表中的用户ID列是否存在重复值,duplicated函数返回该字段每一行的检查结果,重复的标记为TURE,不重复的值标记为FALSE。在下面的结果中可以看到数据表的用户ID列最后四个值为重复值。


#查看特定列是否有重复
duplicated(loan$member_id)

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

对于包含重复值的数据表,可以使用unique函数提取数据表中的唯一值,并用唯一值覆盖原有数据,达到去除重复值的目的。下面的代码提取了loan数据表中的唯一值,并重新赋给loan数据表。此时loan数据表中就不包含重复值了。


#删除重复值,返回唯一值列表
loan=unique(loan)

去除完重复值后,再次使用duplicated函数查看,返回的结果中都为FALSE,已经没有重复值了。


#查看重复值
duplicated(loan$member_id)

[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

查找空值

使用is.na函数查看数据表中的空值,和重复值一样,空值在结果中显示为TURE,非空值显示为FALSE。下面是对loan数据表检查空值的代码和结果。


#查找数据表中的空值
head(is.na(loan),n = 10)

%e6%9f%a5%e6%89%be%e6%95%b0%e6%8d%ae%e8%a1%a8%e4%b8%ad%e7%9a%84%e7%a9%ba%e5%80%bc

除了对数据表查看空值以外,还可以对表中特定的列检查空值,在is.na函数中输入表和列的名称,就会看到该列中空值的情况,TRUE为空值,FALSE为非空值。


#查看特定列中的空值
is.na(loan$loan_amnt)

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

填充空值

对于数据表中的空值,有两种处理方法,第一种是用0进行填充,第二种是删除包含空值的行。下面是第一种方法,将loan表中的空值填充为0.


#将空值填充为0
loan[is.na(loan)] <- 0

&#91;/code&#93;


第二种方法使用 删除loan表中包含有空值的行。


&#91;code lang="r"&#93;

#删除空值所在行
loan<-na.omit(loan)

&#91;/code&#93;

<h2>
大小写转换</h2>
英文字母的大小写和字符间的空格是影响数据统计的一个常见原因。例如下面我们使用table函数对数据表按贷款状态进行汇总时,相同的贷款状态由于大小写和空格被分割成多种状态。造成统计数据不可用。下面我们对这个字段进行大小写转换和去除空格的清洗。




#按贷款状态进行汇总
table(loan$loan_status)

Fully Paid charged off Charged Off Charged Off Current fully paid fully Paid Fully paid Fully Paid
1 1 8 1 1 2 1 1 15

将英文字母转换为小写的函数是tolower,下面的代码中我们将贷款状态列统一转化为小写字母,然后重复赋给数据表中的贷款状态列。


#将贷款状态转换为小写
loan$loan_status=tolower(loan$loan_status)

转化完成后,再次使用table函数按贷款状态进行汇总,下面下面的结果中可以看到分类从之前的8个减少到了4个,并且的分类都为小写字母。下面我们在继续进行空格清洗。


#按贷款状态进行汇总
table(loan$loan_status)

fully paid charged off charged off current fully paid
1 9 1 1 19

去除两侧空格

去除字符间的空格比大小写转换要复杂一些,首先我们将需要去除空格的列单独拿出来。


#提取贷款状态列
loan_status=as.vector(loan$loan_status)

然后使用trim函数去除该列中的空格,trim函数在raster包中,因此需要先安装raster的包。


#安装raster包
install.packages('raster')

安装完成后加载raster包。


#加载raster包
library(raster)

加载完raster包后,使用trim函数去除贷款状态字符中的空格。


#去除贷款状态字段中的空格
loan_s=trim(loan_status)

使用去除完空格的贷款状态覆盖数据表中原有的贷款状态列。


#覆盖原有贷款状态字段
loan$loan_status=loan_s

去除完空格后,再次按贷款状态进行汇总,结果从5个减少为3个,恢复正常。


#按贷款状态进行汇总
table(loan$loan_status)

charged off current fully paid
10 1 20

查看数据类型

使用typeof函数可以查看数据表中字段的数据类型,下面的代码对数据表中的用户收入字段进行数据类型查看,结果为double型。


#查看用户收入字段的数据类型
typeof(loan$annual_inc)
[1] "double"

更改数据类型

使用as.integer函数将用户收入字段的数据类型由double型转化为integer型。


#将用户收入字段更改为integer
loan$annual_inc=as.integer(loan$annual_inc)

转化后再次使用typeof函数查看数据类型,此时已经显示数据类型为integer。


#查看用户收入字段
typeof(loan$annual_inc)

[1] "integer"

数据预处理

数据分列

很多时候我们需要对一列数据进行分裂处理,在excel中直接使用分列功能就可以完成,在R中,使用strsplit函数也可以实现。首先将需要分列的列单独提取出来。这里我们需要对贷款期限进行分裂。


#提取贷款期限字段
term=as.vector(loan$term)

[1] " 36 months" " 60 months" " 36 months" " 36 months" " 60 months" " 36 months" " 60 months" " 36 months" " 60 months" " 60 months"
[11] " 60 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months"
[21] " 60 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 36 months" " 60 months" " 36 months" " 36 months"
[31] " 36 months" " 60 months" " 36 months" " 36 months"

然后使用strsplit函数对贷款期限进行分列,分列的依据是空格。具体代码和分列的结果如下所示。


#使用空格对字段进行分裂
strsplit(term,' ')

[[1]]
[1] "" "36" "months"
[[2]]
[1] "" "60" "months"
[[3]]
[1] "" "36" "months"

除了分列以外,还可以对一个字段中的某些信息进行提取,并单独形成一列进行分析。下面我们对贷款日期中的月份进行提取,并合并到原数据表中。提取月份所使用的函数为substr。下面的代码中对贷款日期字段的4-6位进行提取,这部分对应着月信息。


#提取贷款日期字段中的月信息(4-6位)
month=substr(loan$issue_d,4,6)
#查看提取的月信息
month

[1] "Jun" "Sep" "Jun" "Apr" "Jun" "Jan" "May" "Dec" "Aug" "Mar" "Dec" "Aug" "Nov" "Jun" "Mar" "Jun" "Apr" "May" "Jul" "Feb" "Jun" "Jun"
[23] "Jun" "Mar" "Mar" "Sep" "Jun" "May" "Jun" "Dec" "Jun" "May" "Jun" "Dec"

将提取出来的月信息与原数据表合并,并查看前5行数据,从下面的结果中可以看出第一列是新增加的月信息。


#将月信息与原贷款表合并并查看前5行
head(cbind(month,loan))

%e5%90%88%e5%b9%b6%e6%95%b0%e6%8d%ae
—【所有文章及图片版权归 蓝鲸(王彦平)所有。欢迎转载,但请注明转自“蓝鲸网站分析博客”。】—

Speak Your Mind

*