提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

缺失值数据转换：数据分箱：利用cut函数对数据进行分箱数据标准化变换离散数据编码 加载caret包到内存查看customers的数据结构利用dummyVars函数对customers数据进行哑变量处理对自身变量进行预测，并转换成data.frame格式查看转换结果将outcome变量转换成因子型变量利用dummyVars函数对customers数据进行哑变量处理对自身变量进行预测，并转换成data.frame格式查看转换结果只对gender变量进行哑变量转换将levelsOnly和fullRank设置为TRUE

---

缺失值

导入玩家的玩牌游戏数据 #player <- read.csv("./data/chapter05/玩家玩牌数据.csv",F,na.strings = “NA”) player <- read.csv("./data/chapter05/玩家玩牌数据.csv",F) head(player) str(player) player_col_names <- c(“用户id”,“性别”,“等级”,“站内好友数”,“经验值”, “积分”,“登录总次数”,“玩牌局数”,“赢牌局数”,“身上货币量”)

查看变量名 colnames(player) <- player_col_names colnames(player) 查看前六行 head(player)

利用is.na函数判断“玩牌局数”变量各值是否为缺失值 is.na(player$玩牌局数)

统计缺失值与非缺失值的个数 table(is.na(player$玩牌局数))

sum()和mean()函数来统计缺失值的个数和占比 #计算缺失值个数 sum(is.na(player$玩牌局数))

#计算缺失值占比 mean(is.na(player$玩牌局数))

利用complete.cases函数查看完整实例 sum(complete.cases(player))

用md.pattern函数查看player的缺失值模式 if(!require(mice)) install.packages(“mice”) md.pattern(player)

–删除缺失样本 sum(!complete.cases(player)) player_full <- na.omit(player) 计算有缺失值的样本个数 sum(!complete.cases(player_full))

–替换缺失值 iris1 <- iris[,c(1,5)] head(iris1) table(iris1KaTeX parse error: Expected 'EOF', got '#' at position 10: Species) #̲将40、80、120号样本的S…Sepal.Length,na.rm = T);Sepal.Length.mean iris1[c(40,80,120),1] <- round(Sepal.Length.mean,1) iris1[c(40,80,120),1] 查看以前的值和现在的值

iris[c(40,80,120),1];iris1[c(40,80,120),1]

利用同类均值进行赋值的方式来填补缺失值 #将40、80、120号样本的Sepal.Length设置为缺失值 iris2 <- iris[,c(1,5)] iris2[c(40,80,120),1] <- NA iris2[40,1] <- round(mean(iris2[iris1$Species={=}^{\prime }setos{a}^{\prime }{,}^{\prime }Sepal.Lengt{h}^{\prime }],na.rm=T),1)iris2[80,1]<-round(mean(iris2[iris1$Species==‘versicolor’,‘Sepal.Length’], na.rm = T),1) iris2[120,1] <- round(mean(iris2[iris1$Species==‘virginica’,‘Sepal.Length’], na.rm = T),1) #查看以前的值和现在的值 iris[c(40,80,120),1];iris1[c(40,80,120),1];iris2[c(40,80,120),1]

数据转换：

导入数据 rawdata <- read.csv(“D://小学期/数据转换数据.csv”) #查看数据的前六行 head(rawdata) str(rawdata) #将注册日期变量转换成日期格式 rawdata$registration<-as.Date(paste(substr(rawdata$registration,1,4), substr(rawdata$registration,5,6),substr(rawdata$registration,7,8), sep="-"), “%Y-%m-%d”) head(rawdata) str(rawdata)

将首次付费日期转换成日期格式 rawdata$firstpaydate<-as.Date(paste(substr(rawdata$firstpaydate,1,4), substr(rawdata$firstpaydate,5,6),substr(rawdata$firstpaydate,7,8), sep="-"), “%Y-%m-%d”)

查看数据的前六行 head(rawdata) str(rawdata)

#增加ispay变量：0表示非付费用户，1表示付费用户 rawdata$ispay<-ifelse(!is.na(rawdata$firstpaydate),1,0) head(rawdata) 增加isnewpay变量：0表示非新增首日付费用户，1表示新增首日付费用户 rawdata$isnewpay<-ifelse(rawdata$registration==rawdata$firstpaydate,1,0)head(rawdata)rawdata[is.na(rawdata$isnewpay),‘isnewpay’] <- 0 #查看数据前10行 head(rawdata) #采用(x-mu)/std的标准化方法，与scale()函数效果一样 #install.packages(“caret”) library(caret) ?preProcess standard <- preProcess(iris) head(predict(standard,iris)) head(scale(iris[,1:4])) #采用(x-min(x))/(max(x)-min(x))的标准化方法 standard <- preProcess(iris, method = ‘range’) head(predict(standard,iris)) fun <- function(x) (x-min(x))/(max(x)-min(x)) head(sapply(iris[,1:4],fun))

数据分箱：

利用cut函数对数据进行分箱

对days(活跃天数)进行分箱操作 head(rawdata) rawdata$day{s}_{i}nterval<-cut(rawdata$days, breaks=c(0,30,60,90,Inf), labels=c(‘一个月内’,‘31_60天’,'6190天’,‘三个月以上’)) head(rawdata) 对lifetime(生命周期)进行分箱操作 rawdata$lifetim{e}_{i}nterval<-cut(rawdata$lifetime, breaks=c(0,7,21,30,90,Inf), labels=c(‘小于一周’,‘小于三周’,‘小于一个月’, ‘小于三个月’,‘三个月以上’)) 查看前六行 head(rawdata) )

数据标准化变换

#采用(x-mu)/std的标准化方法，与scale()函数效果一样 #install.packages(“caret”) library(caret) ?preProcess standard <- preProcess(iris) head(predict(standard,iris)) head(scale(iris[,1:4])) #采用(x-min(x))/(max(x)-min(x))的标准化方法 standard <- preProcess(iris, method = ‘range’) head(predict(standard,iris)) fun <- function(x) (x-min(x))/(max(x)-min(x)) head(sapply(iris[,1:4],fun))

离散数据编码

构建customers数据集 customers<-data.frame(id=c(10,20,30,40,50), gender=c(“male”,“female”,“female”,“male”,“female”), mood=c(“happy”,“sad”,“happy”,“sad”,“happy”), outcome=c(1,1,0,0,0)) customers #创建新数据框customers.new customers.new <- customers[,c(‘id’,‘outcome’)] customers.new 对gender变量进行哑变量处理 customers.new$gender.male<-ifelse(customers$gender==‘male’,1,0) customers.new$gender.female<-ifelse(customers$gender==‘female’,1,0) customers.new$gender<-customers$gender customers.new 对mood变量进行哑变量处理 customers.new$mood.happy<-ifelse(customers$mood==‘happy’,1,0) customers.new$mood.sad<-ifelse(customers$mood==‘sad’,1,0) customers.new

加载caret包到内存

library(caret)

查看customers的数据结构

str(customers)

利用dummyVars函数对customers数据进行哑变量处理

dmy<-dummyVars(~.,data=customers)

对自身变量进行预测，并转换成data.frame格式

trsf<-data.frame(predict(dmy,newdata=customers))

查看转换结果

trsf

将outcome变量转换成因子型变量

customers$outcome<-as.factor(customers$outcome)

利用dummyVars函数对customers数据进行哑变量处理

dmy<-dummyVars(~.,data=customers)

对自身变量进行预测，并转换成data.frame格式

trsf<-data.frame(predict(dmy,newdata=customers))

查看转换结果

trsf

只对gender变量进行哑变量转换

dmy.gender <- dummyVars(~gender,data=customers) trsf.gender <- data.frame(predict(dmy.gender,newdata=customers)) trsf.gender

将levelsOnly和fullRank设置为TRUE

customers<-data.frame(id=c(10,20,30,40,50), gender=c(“male”,“female”,“female”,“male”,“female”), mood=c(“happy”,“sad”,“happy”,“sad”,“happy”), outcome=c(1,1,0,0,0)) dmy<-dummyVars(~.,data=customers,levelsOnly=TRUE,fullRank=TRUE) trsf<-data.frame(predict(dmy,newdata=customers)) trsf

customers<-data.frame(id=c(10,20,30,40,50), gender=c(“male”,“female”,“female”,“male”,“female”), mood=c(“happy”,“sad”,“happy”,“sad”,“happy”), outcome=c(1,1,0,0,0), test=c(“1”,“2”,“1”,“3”,“4”)) dmy<-dummyVars(~.,data=customers,levelsOnly=TRUE,fullRank=TRUE) trsf<-data.frame(predict(dmy,newdata=customers)) trsf