R 中的數據預處理：終極教程 [2022]

在我們以下 R 教程中的數據預處理中，您將學習如何執行數據預處理的基礎知識。 本教程要求您熟悉 R 和編程的基礎知識：

1. 步驟：查找和修復問題

我們將通過首先導入數據集在 R 教程中開始我們的數據預處理。 畢竟，如果一開始就沒有數據，就無法對數據進行預處理。

在我們的例子中，數據存儲在工作目錄的 data.csv 文件中。 您可以使用命令 setwd(“desired location”) 並設置工作目錄。

以下是您將如何開始該過程：

數據集 <- read.csv(“Data.csv”)

這是我們的數據集：

如您所見，我們數據集的 Salary 和 Age 列中存在缺失值。 我們已經確定了數據集中存在的問題，因此我們現在可以開始修復相同的問題。

我們的數據集中似乎沒有其他問題，因此我們只需要處理缺失值。 我們可以通過將 NA 值替換為相應列的平均值來解決此問題。 這是如何做：

數據集$Age <- ifelse(is.na(dataset$Age),

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

平均值（x，na.rm = TRUE）），

數據集$年齡）

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

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

平均值（x，na.rm = TRUE）），

數據集$薪水）

注意我們在這裡是如何使用 ave() 函數的。 它取您輸入的特定列的平均值，其中 FUN 是 x 的函數，計算不包括 NA 值的平均值 (na.rm=TRUE)。

別的，

獲取 dataset$Age 中的任何內容

我們現在將使用 mean() 函數：
#定義 x = 1 2 3

x <- 1:3

#引入缺失值

x[1] <- 不適用

# 均值 = NA

均值（x）

## [1] 不適用

# 平均值 = 不包括 NA 值的平均值

均值（x，na.rm = T）

## [1] 2.5

識別並修復問題後，我們的數據集如下所示：

另請閱讀： R 編程語言的職業機會

2.步驟：分類數據

分類數據是屬於特定類別的非數字數據。 我們數據集中的 Country 列是分類數據。 R 中的 read.csv() 函數會將所有字符串變量作為分類變量。 但是，我們不能在所有情況下都使用它。

以下是創建特定變量作為因子變量的方法：
數據集$Country = 因子（數據集$Country，

水平 = c('法國', '西班牙', '德國'),

標籤 = c(1, 2, 3))

數據集$Purchased = 因子（數據集$Purchased，

級別= c（'否'，'是'），

標籤 = c(0, 1))

3. 步驟：拆分數據

現在，我們必須將數據集拆分為兩個單獨的數據集。 一個用於訓練我們的機器學習模型，另一個用於測試相同的模型。

為此，我們將首先安裝 caTools 包（如果不可用）並將其添加到我們的庫中。 之後，我們將使用 set.seed() 函數來確保拆分是隨機完成的。 使用以下代碼：
庫（caTools）

set.seed(123)

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

training_set = 子集（數據集，拆分 == TRUE）

test_set = 子集（數據集，拆分 == FALSE）

您一定注意到我們將分流比保持為 80:20。 這是因為它是訓練集和測試集最常規的分割比率。 我們的 sample.split() 方法獲取了該列並根據拆分比率創建了一個具有隨機真假值的數字數組。

4. 步驟：特徵縮放或過擬合

當數據集中的不同特徵具有不同的範圍時，需要進行特徵縮放。 在我們的例子中，Age 和 Salary 列有不同的範圍，這可能會導致訓練我們的 ML 模型時出現問題。

當一個特徵的範圍明顯高於另一個特徵時，歐幾里德距離會顯著增加，從而導致模型給出錯誤的結果。

請注意，R 中的大多數庫會自動修復此問題，但了解如何解決此問題很重要。 請執行下列操作：

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

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

它將解決問題，並且您的訓練集的特徵將具有相同的範圍，從而最大限度地減少機器學習實施過程中出現任何錯誤的機會。

獲得世界頂尖大學的數據科學認證。 學習行政 PG 課程、高級證書課程或碩士課程，以加快您的職業生涯。

結論

我們希望您發現我們在 R 教程中的數據預處理對您有所幫助。 在您嘗試自己測試之前，最好先了解本教程。 理解這些概念比使用它們重要得多。

您對我們在 R 教程中的數據預處理有何看法？ 在下面的評論中分享它們。

如果您想了解 R（數據科學），請查看我們的數據科學執行 PG，它是為在職專業人士創建的，提供 10 多個案例研究和項目、實用的實踐研討會、行業專家指導、一對一1 與行業導師，400 多個小時的學習和頂級公司的工作協助。