本文为
机器学习实战 | 数据预处理（基于 Python）
的姊妹篇 R 语言实现。
1. 变量名转换
•
转换大小写：使用
toupper()
和
tolower()
函数
•
去除特殊符号，例如
.
，空格等：可用
gsub()
进行替换或
strsplit()
根据字符分割并提取字符串。
2. 数值离散化
所谓数值离散化就是把连续型数据转变成离散数据，比如把连续的收入值分为 $0～$10000、$10001～$25000、$25001～$50000、$50001～$75000、$75001～$100000 和 $100001～$150000。使用
cut()
函数可以很方便地进行这类操作。
cut ( x , breaks , labels = NULL , include . lowest = F , right = T , dig . lab = 3 , ordered_result = F )
•
x
：数值向量
•
breaks
：指定分割点的数量的整数，或者制定分割点位置的向量
•
labels
：输出因子水平标签
•
include.lowest
：表明临界点是否包含在内
•
right
：表示区间是否左开右闭（当right = F，区间左闭右开）
•
dig.lab
：当产生标签时，标签有效数字
•
ordered_results
：返还值是否转换成有序因子
3. 日期处理
可用
lubridate
包处理日期和时间数据。
解析日期与时间
lubridate
包的
ymd()
系列函数来读取日期数据。
y
，
m
和
d
分别对应年、月和日。读取日期时，根据日期时间的元素顺序，选择相应的函数。例如，在下面的日期中，月份在首，其次是日，然后是年。所以用
mdy()
函数：
> mdy ( "12-01-2010" ) [ 1 ] "2010-12-01 UTC"
要是顺序是日月年，那就得用
dmy()
函数：
> dmy
( "12-01-2010" ) [ 1 ] "2010-01-12 UTC"
当然也有
ydm()
函数等等。
这些函数会自动识别日期中的分隔符，包括：
-
，
/
，
.
和 ``（无分隔符）。
操作日期与时间
每个日期时间都是不同元素的组合，我们可调用不同的函数来提取对应信息。
4. 对分类数据进行编码
可用
car
包的
recode
函数将数值或者字符向量、factor 变量重新编码。
recode ( var , recodes , as . factor , as . numeric = TRUE , levels )
•
var
：为数值向量，字符向量或者 factor 变量
•
recodes
：为设定重新编码规则的字符串
•
as.factor
：如果
var
是一个 factor，则默认为TRUE，否则为 FALSE
•
as.numeric
：默认为 TRUE，当
as.factor = False
时输出结果指定为数字
•
levels
：指定新的编码分组的顺序（默认是按照分组名称排序）
x rep ( 1 : 3 , 3 ) x ## [1] 1 2 3 1 2 3 1 2 3 recode ( x , "c(1,2)='A'; else = 'B'") ## [1] "A" "A" "B" "A" "A" "B" "A" "A" "B" Recode ( x , "1:2='A'; 3='B'" ) ## [1] "A" "A" "B" "A" "A" "B" "A" "A" "B"
5. 合并数据集
可用
merge()
，
cbind()
和
rbind()
来合并数据集。
merge()
：根据列名合并数据集
merge
( x , y , by = , by . x = , by . y = , all = , all . x = , all . y = ,...)
•
x
：第一个数据框
•
y
：第二个数据框
•
by
,
by.x
,
by.y
：指定两个数据框中匹配列名称。默认使用两个数据框中相同列名称
•
all
,
all.x
,
all.y
：指定合并类型的逻辑值。
另外还有，
cbind()
根据列合并数据集以及
rbind()
根据行合并数据集，当然也可以用
dplyr
中的
join
等等。
6. 使用
dplyr
包进行数据操作
dplyr
也是我们常用于处理数据框的工具，例如：
•
filter()
：按行筛选样本
•
select()
：按列选择变量
•
arrange()
：按给定的列名依次对行进行排序
•
mutate()
和
transmute()
：根据一个或多个变量生成新变量或重定义已有变量。
mutate()
的返回结果会保留原有变量，而
transmute()
则只返回新变量。
•
distinct
：去重，仅返回无重复的行
7. 处理缺失数据
填充缺失值
可用
e1071
包中的
impute()
函数填充缺失值：
impute ( x , what = c ( "median" , "mean" ))
what="median"
表示用对应列的中位数填充；
what="mean"
表示用对应列的平均值填充。
impute()
返回的是一个矩阵，而不是一个数据框。所以我们必须多加一步，将结果转换回数据框的形式。
