Prétraitement des données dans R : Tutoriel ultime [2022]

Dans notre tutoriel suivant sur le prétraitement des données dans R, vous apprendrez les bases du prétraitement des données. Ce tutoriel nécessite que vous soyez familiarisé avec les bases de R et de la programmation :

1. Étape : rechercher et résoudre les problèmes

Nous allons commencer notre tutoriel de prétraitement des données dans R en important d'abord l'ensemble de données. Après tout, vous ne pouvez pas prétraiter les données si vous ne disposez pas des données en premier lieu.

Dans notre cas, les données sont stockées dans le fichier data.csv du répertoire de travail. Vous pouvez utiliser la commande setwd ("emplacement souhaité") et définir le répertoire de travail.

Voici comment démarrer le processus :

jeu de données <- read.csv(“Données.csv”)

Voici notre ensemble de données :

Comme vous pouvez le constater, il manque des valeurs dans les colonnes Salary et Age de notre ensemble de données. Nous avons identifié le problème présent dans notre ensemble de données afin que nous puissions maintenant commencer à le résoudre.

Aucun autre problème ne semble être présent dans notre ensemble de données, nous n'avons donc qu'à gérer les valeurs manquantes. Nous pouvons résoudre ce problème en remplaçant les valeurs NA par les valeurs moyennes des colonnes respectives. Voici comment:

dataset$Age <- ifelse(is.na(dataset$Age),

ave(dataset$Age, FUN = function(x)

moyenne(x, na.rm = VRAI)),

jeu de données$Age)

dataset$Salary <- ifelse(is.na(dataset$Salary),

ave(dataset$Salary, FUN = function(x)

moyenne(x, na.rm = VRAI)),

jeu de données$Salaire)

Remarquez comment nous avons utilisé la fonction ave() ici. Il prend la moyenne de la colonne spécifique que vous avez entrée où FUN est une fonction de x qui calcule la moyenne en excluant les valeurs NA (na.rm=TRUE).

autre,

prendre tout ce qui est présent dans l'ensemble de données$Age

Nous allons utiliser la fonction mean() maintenant :
#définir x = 1 2 3

x <- 1:3

#introduction de la valeur manquante

x[1] <- NA

# signifie = NA

signifie (x)

## [1] S/O

# moyenne = moyenne excluant la valeur NA

moyenne(x, na.rm = T)

## [1] 2,5

Après avoir identifié et résolu le problème, notre ensemble de données ressemble à ceci :

Lisez aussi: Opportunités de carrière dans le langage de programmation R

2. Étape : Données catégorielles

Les données catégorielles sont des données non numériques qui appartiennent à des catégories particulières. La colonne Pays de notre ensemble de données contient des données catégorielles. La fonction read.csv() dans R transformerait toutes les variables de chaîne en variables catégorielles. Cependant, nous ne pouvons pas l'utiliser dans tous les cas.

Voici comment créer des variables spécifiques en tant que variables factorielles :
dataset$Country = factor(dataset$Country,

niveaux = c('France', 'Espagne', 'Allemagne'),

étiquettes = c(1, 2, 3))

dataset$Acheté = factor(dataset$Acheté,

niveaux = c('Non', 'Oui'),

étiquettes = c(0, 1))

3. Étape : fractionner les données

Maintenant, nous devons diviser notre ensemble de données en deux ensembles de données distincts. L'un pour former notre modèle d'apprentissage automatique tandis que l'autre pour tester le même.

Pour ce faire, nous allons d'abord installer le package caTools (s'il n'est pas disponible) et l'ajouter à notre bibliothèque. Ensuite, nous utiliserons la fonction set.seed() pour nous assurer que la séparation est effectuée de manière aléatoire. Utilisez le code suivant :
bibliothèque (caTools)

set.graine(123)

split = sample.split(dataset$Purchased,SplitRatio = 0.8)

training_set = sous-ensemble (ensemble de données, fractionné == TRUE)

test_set = sous-ensemble (ensemble de données, fractionné == FAUX)

Vous avez dû remarquer que nous avons conservé le ratio de partage à 80:20. En effet, il s'agit du rapport de division le plus conventionnel pour les ensembles d'apprentissage et les ensembles de test. Notre méthode sample.split() a pris la colonne et créé un tableau numérique avec des valeurs vraies et fausses aléatoires en fonction du rapport de division.

4. Étape : Mise à l'échelle ou surajustement des fonctionnalités

La mise à l'échelle des entités est requise lorsque différentes entités de votre jeu de données ont des plages différentes. Dans notre cas, les colonnes Age et Salary ont des plages différentes, ce qui peut poser des problèmes lors de la formation de notre modèle ML.

Lorsque vous avez une entité avec une plage nettement plus élevée que l'autre entité, la distance euclidienne augmente considérablement, ce qui fait que le modèle donne des résultats erronés.

Notez que la plupart des bibliothèques de R résolvent ce problème automatiquement, mais il est important de savoir comment résoudre ce problème. Procédez comme suit :

training_set[,2:3] = échelle(training_set[,2:3])

test_set[,2:3] = échelle(test_set[,2:3])

Cela résoudrait le problème et les fonctionnalités de votre ensemble de formation auraient les mêmes plages, minimisant ainsi les risques d'erreurs lors des implémentations d'apprentissage automatique.

Obtenez une certification en science des données des meilleures universités du monde. Apprenez les programmes Executive PG, les programmes de certificat avancés ou les programmes de maîtrise pour accélérer votre carrière.

Conclusion

Nous espérons que vous avez trouvé notre tutoriel sur le prétraitement des données dans R utile. Il serait préférable de comprendre le didacticiel avant d'essayer de le tester vous-même. Comprendre les concepts est beaucoup plus important que de les utiliser.

Que pensez-vous de notre tutoriel sur le prétraitement des données dans R ? Partagez-les dans les commentaires ci-dessous.

Si vous êtes curieux d'en savoir plus sur R, la science des données, consultez notre PG exécutif en science des données qui est créé pour les professionnels en activité et propose plus de 10 études de cas et projets, des ateliers pratiques, un mentorat avec des experts de l'industrie, 1-on- 1 avec des mentors de l'industrie, plus de 400 heures d'apprentissage et d'aide à l'emploi avec les meilleures entreprises.