Wstępne przetwarzanie danych w R: Ultimate Tutorial [2022]

W poniższym samouczku dotyczącym wstępnego przetwarzania danych w języku R poznasz podstawy wykonywania wstępnego przetwarzania danych. Ten samouczek wymaga znajomości podstaw języka R i programowania:

1. Krok: Znajdowanie i rozwiązywanie problemów

Wstępne przetwarzanie danych rozpoczniemy w samouczku języka R, najpierw zaimportując zestaw danych. W końcu nie możesz wstępnie przetworzyć danych, jeśli ich nie masz.

W naszym przypadku dane są przechowywane w pliku data.csv w katalogu roboczym. Możesz użyć polecenia setwd („pożądana lokalizacja”) i ustawić katalog roboczy.

Oto jak rozpoczniesz ten proces:

zbiór danych <- read.csv(„Dane.csv”)

Oto nasz zbiór danych:

Jak widać, w kolumnach Wynagrodzenie i Wiek naszego zbioru danych brakuje wartości. Zidentyfikowaliśmy problem występujący w naszym zbiorze danych, więc możemy teraz zacząć go naprawiać.

Wydaje się, że w naszym zbiorze danych nie występują żadne inne problemy, więc musimy zająć się tylko brakującymi wartościami. Możemy rozwiązać ten problem, zastępując wartości NA średnimi wartościami z odpowiednich kolumn. Oto jak:

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

ave(zestaw danych$Wiek, ZABAWA = funkcja(x)

średnia(x, na.rm = PRAWDA)),

zbiór danych $Wiek)

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

ave(zestaw danych$Wynagrodzenie, ZABAWA = funkcja(x)

średnia(x, na.rm = PRAWDA)),

zbiór danych $ wynagrodzenie)

Zwróć uwagę, jak użyliśmy tutaj funkcji ave(). Pobiera średnią z określonej kolumny, którą wprowadziłeś, gdzie FUN jest funkcją x, która oblicza średnią z wyłączeniem wartości NA (na.rm=TRUE).

w przeciwnym razie,

weź wszystko, co jest w zbiorze danych $Wiek

Użyjemy teraz funkcji mean():
#definiowanie x = 1 2 3

x <- 1:3

#przedstawiamy brakującą wartość

x[1] <- ND

# średnia = ND

średnia(x)

## [1] Nie dotyczy

# średnia = średnia z wyłączeniem wartości NA

średnia(x, na.rm = T)

## [1] 2,5

Po zidentyfikowaniu i naprawieniu problemu nasz zbiór danych wygląda tak:

Przeczytaj także: Możliwości kariery w języku programowania R

2. Krok: Dane kategoryczne

Dane kategoryczne to dane nieliczbowe, które należą do poszczególnych kategorii. Kolumna Kraj w naszym zbiorze danych zawiera dane kategoryczne. Funkcja read.csv() w R uczyniłaby wszystkie zmienne łańcuchowe zmiennymi kategorialnymi. Jednak nie w każdym przypadku możemy z niego korzystać.

Oto jak możesz utworzyć określone zmienne jako zmienne czynnikowe:
zbiór danych $ Kraj = współczynnik (zestaw danych $ Kraj,

poziomy = c('Francja', 'Hiszpania', 'Niemcy'),

etykiety = c(1, 2, 3))

dataset$Purchased = factor(dataset$Purchased,

poziomy = c('Nie', 'Tak'),

etykiety = c(0, 1))

3. Krok: Dzielenie danych

Teraz musimy podzielić nasz zbiór danych na dwa oddzielne zbiory danych. Jeden do trenowania naszego modelu uczenia maszynowego, a drugi do testowania tego samego.

W tym celu najpierw zainstalujemy pakiet caTools (jeśli nie jest dostępny) i dodamy go do naszej biblioteki. Następnie użyjemy funkcji set.seed(), aby upewnić się, że podział jest wykonywany losowo. Użyj następującego kodu:
biblioteka(caNarzędzia)

ziarno(123)

split = sample.split(dataset$Purchased,SplitRatio = 0,8)

training_set = subset(dataset,split == TRUE)

test_set = podzbiór (zestaw danych, podział == FAŁSZ)

Musiałeś zauważyć, że zachowaliśmy stosunek podziału na poziomie 80:20. Dzieje się tak, ponieważ jest to najbardziej konwencjonalny współczynnik podziału dla zestawów uczących i zestawów testowych. Nasza metoda sample.split() pobrała kolumnę i utworzyła tablicę liczbową z losowymi wartościami prawda i fałsz zgodnie ze współczynnikiem podziału.

4. Krok: skalowanie funkcji lub nadmierne dopasowanie

Skalowanie funkcji jest wymagane, gdy różne funkcje w zestawie danych mają różne zakresy. W naszym przypadku kolumny Age i Salary mają różne zakresy, co może powodować problemy w trenowaniu naszego modelu ML.

Kiedy masz cechę o znacznie większym zakresie niż inna cecha, odległość euklidesowa znacznie się zwiększa, powodując, że model podaje błędne wyniki.

Zauważ, że większość bibliotek w R naprawia ten problem automatycznie, ale ważne jest, aby wiedzieć, jak to naprawić. Wykonaj następujące czynności:

zestaw_treningowy[,2:3] = skala(zestaw_szkoleniowy[,2:3])

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

Rozwiąże to problem, a funkcje zestawu szkoleniowego będą miały te same zakresy, minimalizując ryzyko wystąpienia błędów podczas implementacji uczenia maszynowego.

Uzyskaj certyfikat nauk o danych od najlepszych uniwersytetów na świecie. Naucz się programów Executive PG, Advanced Certificate Programs lub Masters Programs, aby przyspieszyć swoją karierę.

Wniosek

Mamy nadzieję, że nasze wstępne przetwarzanie danych w samouczku języka R okazało się pomocne. Najlepiej byłoby zrozumieć samouczek, zanim sam spróbujesz go przetestować. Zrozumienie pojęć jest o wiele ważniejsze niż ich używanie.

Jakie są twoje przemyślenia na temat naszego wstępnego przetwarzania danych w samouczku języka R? Podziel się nimi w komentarzach poniżej.

Jeśli chcesz dowiedzieć się więcej o R, nauce o danych, sprawdź nasz Executive PG in Data Science, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami branżowymi, 1-na- 1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy w najlepszych firmach.