欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！
对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。
作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。
邮箱：huang.tian-yuan@qq.com
前言
本文为了迭代一个探索性数据分析的通用模式，首先使用银行信贷数据进行探索性数据分析，希望能够得到一个通用的强大探索性解决方案。
数据导入
数据是来自klaR的GermanCredit数据
1library(pacman)
2p_load(tidyverse,klaR)
3
4data(GermanCredit)
5GermanCredit %>% as_tibble -> df
把表格数据已经导入到df中了。
整体把握
为了最快速地知道： - 表格有多少行、多少列 - 表格的变量都是什么数据类型的 - 表格是否存在缺失值，如果存在，是如何缺失的 - 数据大体的分布
我们决定使用最便捷的函数。首先，DataExplorer包提供了一个快速仪表盘的生成，简单粗暴直接出报告，如果是Rstudio的用户能够马上得到一个report.html，在工作目录中生成。
1p_load(DataExplorer)
2create_report(df)
先用dlookr对表格进行审视
1p_load(dlookr)
2
3diagnose(df) %>%
4arrange(types) %>%
5print(n = Inf)
6
7## # A tibble: 21 x 6
8## variables types missing_count missing_percent unique_count unique_rate
9## <chr> <chr> <int> <dbl> <int> <dbl>
10## 1 status fact~ 0 0 4 0.004
11## 2 credit_hi~ fact~ 0 0 5 0.005
12## 3 purpose fact~ 0 0 10 0.01
13## 4 savings fact~ 0 0 5 0.005
14## 5 personal_~ fact~ 0 0 4 0.004
15## 6 other_deb~ fact~ 0 0 3 0.003
16## 7 property fact~ 0 0 4 0.004
17## 8 other_ins~ fact~ 0 0 3 0.003
18## 9 housing fact~ 0 0 3 0.003
19## 10 job fact~ 0 0 4 0.004
20## 11 telephone fact~ 0 0 2 0.002
21## 12 foreign_w~ fact~ 0 0 2 0.002
22## 13 credit_ri~ fact~ 0 0 2 0.002
23## 14 duration nume~ 0 0 33 0.033
24## 15 amount nume~ 0 0 921 0.921
25## 16 installme~ nume~ 0 0 4 0.004
26## 17 present_r~ nume~ 0 0 4 0.004
27## 18 age nume~ 0 0 53 0.053
28## 19 number_cr~ nume~ 0 0 4 0.004
29## 20 people_li~ nume~ 0 0 2 0.002
30## 21 employmen~ orde~ 0 0 5 0.005
上面的结果首先显示出来的，是数据名称及其类型，其次发现基本没有缺失，最后是看数据中有多少独特的取值。 此外，我们还可以用skimr包。与上面的方法相比，这个方法会自动对数据类型进行分类，而且还会给出每一个独特的值的数量，对数值型变量会给出直方图分布示意图
1p_load(skimr)
2
3skim(df)
4
5## Skim summary statistics
6## n obs: 1000
7## n variables: 21
8##
9## -- Variable type:factor --------------------------------------------------------------------------------------------------
10## variable missing complete n n_unique
11## credit_history 0 1000 1000 5
12## credit_risk 0 1000 1000 2
13## employment_duration 0 1000 1000 5
14## foreign_worker 0 1000 1000 2
15## housing 0 1000 1000 3
16## job 0 1000 1000 4
17## other_debtors 0 1000 1000 3
18## other_installment_plans 0 1000 1000 3
19## personal_status_sex 0 1000 1000 4
20## property 0 1000 1000 4
21## purpose 0 1000 1000 10
22## savings 0 1000 1000 5
23## status 0 1000 1000 4
24## telephone 0 1000 1000 2
25## top_counts ordered
26## exi: 530, cri: 293, del: 88, all: 49 FALSE
27## goo: 700, bad: 300, NA: 0 FALSE
28## 1 <: 339, TRUE
29## yes: 963, no: 37, NA: 0 FALSE
30## own: 713, ren: 179, for: 108, NA: 0 FALSE
31## ski: 630, uns: 200, man: 148, une: 22 FALSE
32## non: 907, gua: 52, co-: 41, NA: 0 FALSE
33## non: 814, ban: 139, sto: 47, NA: 0 FALSE
34## mal: 548, fem: 310, mal: 92, mal: 50 FALSE
35## car: 332, rea: 282, bui: 232, unk: 154 FALSE
36## dom: 280, car: 234, rad: 181, car: 103 FALSE
37## FALSE
38## no : 394, FALSE
39## no: 596, yes: 404, NA: 0 FALSE
40##
41## -- Variable type:numeric -------------------------------------------------------------------------------------------------
42## variable missing complete n mean sd p0 p25 p50
43## age 0 1000 1000 35.55 11.38 19 27 33
44## amount 0 1000 1000 3271.26 2822.74 250 1365.5 2319.5
45## duration 0 1000 1000 20.9 12.06 4 12 18
46## installment_rate 0 1000 1000 2.97 1.12 1 2 3
47## number_credits 0 1000 1000 1.41 0.58 1 1 1
48## people_liable 0 1000 1000 1.16 0.36 1 1 1
49## present_residence 0 1000 1000 2.85 1.1 1 2 3
50## p75 p100 hist
51## 42 75 ▇▇▆▃▂▁▁▁
52## 3972.25 18424 ▇▃▂▁▁▁▁▁
53## 24 72 ▇▅▅▃▁▁▁▁
54## 4 4 ▂▁▃▁▁▂▁▇
55## 2 4 ▇▁▅▁▁▁▁▁
56## 1 2 ▇▁▁▁▁▁▁▂
57## 4 4 ▂▁▆▁▁▃▁▇
一个比较好的可视化方法，是visdat包。
1p_load(visdat)
2
3vis_dat(df)
如果数据中有缺失值，也能够很好地展现出来，但是目前这里没有缺失值。
单变量数据分布
如果大家没有选择DataExplorer包的定制化数据报告服务，那么可以利用函数直接来看。
1p_load(DataExplorer)
2
3#数值型变量的分布观察
4plot_density(df)
1#因子型变量的分布观察
2plot_bar(df)
双变量数据分布
在这份数据中，响应变量是credit_risk，它代表着客户的守信水平，只有两个因子“Good”和“Bad”。我们想要看它和所有连续变量的关系。
1#响应变量为因子变量，因子变量与数值变量的关系，用箱线图表示
2plot_boxplot(df,by = "credit_risk")
如果想知道连续变量之间的关系，让我们做相关性矩阵图。
1p_load(dlookr)
2
3plot_correlate(df)
图中，越“椭圆”就越相关，蓝色是正相关，红色是负相关。如果连因子变量的相关性也想知道，那么就用DataExplorer包中的plot_correlation函数。
1plot_correlation(df)
它会把所有因子变量都用one-hot编码转化为数值型变量，然后做一个大的 相关分析矩阵。如果这不是你想要的，可以设置type参数，得到一个专门分析连续变量的图。
1plot_correlation(df,type = "c")
不过，想要同时获得相关性的信息，首推PerformanceAnalytics这个包。
1p_load(PerformanceAnalytics)
2
3df %>%
4select_if(is.numeric) %>% #这种图只能看数值型变量的相互关系
5chart.Correlation()
对于数值型变量，这种能够同时观察分布、相关系数和显著性水平的图，非常地有效。
离群值处理
为什么要进行探索性数据分析？一方面是要对自己的数据表格有一个大致的认识，从而增进商务理解和数据理解，为后续的分析奠定基础。另一方面，就是看看数据有没有出问题，如果有缺失值，那么肯定需要插补或者删除；如果有离群值，那么也需要决定究竟是保留还是删掉。 我们这份数据集是案例数据集，因此没有缺失值，不过离群点还是可以进行检测的。如果一个记录的某一数值远离其平均水平，那么认为这个记录是离群点。至于界定“远离平均水平”的标准，要视业务本身数据分布而定。经典的离群点检测法，是箱线图判断离群点的方法（统计学上称为Tukey’s fences），这是基于单变量的。这个方法大家可以在维基查询到，网址为https://en.wikipedia.org/wiki/Outlier。很多R包默认的方法都是基于这个规则的，并可以自动删除、替代、设为缺失值。 发现离群点，要知道离群点背后的意义。比如我们的数据中，年龄这个变量有离群点，因为部分用户年龄过高，与平均值差距很大。但是这不是因为错误导致的，如果直接去除，也是不合适的。这样一来会减少信息的量，二来会忽视一些本来应该注意到的问题。离群点的寻找，一方面是为了想办法消除离群点给数据带来的影响，从而让我们的机器学习方法具有更强的鲁棒性；第二方面，其实可以找到这些离群值，然后对离群值进行一些详细的研究。很多欺诈的案例都是通过寻找离群点找到的，因为存在欺诈行为的用户，他们的行为会跟正常的用户有显著的差异。 在本案例中，我们首先要看哪些变量存在离群值。应该明确的是，分类变量是不会有离群值的，只有数值型变量才有探索离群值的意义。我们用dlookr的diagnose_outliers函数，来查看变量离群值的情况。
1diagnose_outlier(df)
2
3## # A tibble: 7 x 6
4## variables outliers_cnt outliers_ratio outliers_mean with_mean
5## <chr> <int> <dbl> <dbl> <dbl>
6## 1 duration 70 7. 50.5 20.9
7## 2 amount 72 7.2 10940. 3271.
8## 3 installm~ 0 0 NaN 2.97
9## 4 present_~ 0 0 NaN 2.84
10## 5 age 23 2.3 68.5 35.5
11## 6 number_c~ 6 0.6 4 1.41
12## 7 people_l~ 155 15.5 2 1.16
13## # ... with 1 more variable: without_mean <dbl>
6个列中，第一列为变量名称，第二列是离群值个数，后面分别是离群值比例、离群值均值、包含离群值的全体的均值、去除离群值的全体的均值。因为installment_rate和present_residence变量不存在利群值，因此无法计算离群值的均值。我们看到people_liable是担保人的数量，其实它应该被认定为一个分类变量，因为它的取值只有1和2，所以如果对这个离群值做处理显然是错误的。 回归方法对离群值是敏感的，不过我们可以对变量先进行中心化、标准化，从而减少离群值的影响。如果想要得到整个数据质量报告，可以用dlookr的diagonse_report函数。
1diagnose_report(df)
小
结
探索性数据分析的下一步，应该是数据预处理（特征工程）。如果不了解业务和数据，那么预处理就无从谈起。因此我们做探索性数据分析的时候，需要尽可能地观察数据的特点，并思考其背后的原因。一般来说，探索性数据分析需要知道一下几点：
数据的行列数，即多少样本、多少特征
数据特征的属性，也就是说这些数据有多少分类变量、多少数值变量
数据特征的分布，数值变量要看密度分布，分类变量要看每个分类的占比
数据特征之间的相关性，是否存在共线性？解释变量与响应变量的关系是否明显？
数据是否存在缺失值？如果存在缺失值，是否能够解释缺失的原因？是随机缺失还是非随机缺失，或者是介于两者之间。是否能够根据其自身的特征和缺失的特点来进行插值，或者是应该剔除掉？（本案例没有出现这个情况，没有讨论，今后的案例会尝试讨论这个问题）
数据特征中是否存在离群值？离群值是什么原因导致的？是真实的还是因为错误的操作？为了进行建模，应该如何处理这些离群值？（z中心化？取对数？还是直接剔除掉）
总的来说，探索性数据分析就是对数据特征的挖掘过程，发现它们的特点，一方面加深我们对业务的认识，另一方面也防止明显的错误。以上均为个人对数据进行探索的一些方法，如果有更多探索性的方法，请各位大佬积极补充。希望能够最后迭代出一套较为通用的探索性数据分析方法，从而为广大的数据科学家带来便利。
往期精彩：
R语言ETL工程系列：总论
R爬虫小白入门：Rvest爬链家网+分析（一）
R语言ETL系列：过滤（filter）
R语言中文社区2018年终文章整理（作者篇）
R语言中文社区2018年终文章整理（类型篇）
公众号后台回复关键字即可学习
回复 爬虫 爬虫三大案例实战
回复 Python 1小时破冰入门
回复 数据挖掘 R语言入门及数据挖掘
回复 人工智能 三个月入门人工智能
回复 数据分析师 数据分析师成长之路
回复 机器学习 机器学习的商业应用
回复 数据科学 数据科学实战
回复 常用算法 常用数据挖掘算法
网友评论