一、異常值檢驗
異常值大概包括缺失值、離群值、重復值,數據不一致。
1、基本函數
summary可以顯示每個變量的缺失值數量.
2、缺失值檢驗
關於缺失值的檢測應該包括：缺失值數量、缺失值比例、缺失值與完整值數據篩選。
- #缺失值解決方案
- sum(complete.cases(saledata)) #is.na(saledata)
- sum(!complete.cases(saledata))
- mean(!complete.cases(saledata)) #1/201數字，缺失值比例
- saledata[!complete.cases(saledata),] #篩選出缺失值的數值
3、箱型圖檢驗離群值
箱型圖的檢測包括：四分位數檢測（箱型圖自帶）+1δ標准差上下+異常值數據點。
箱型圖有一個非常好的地方是，boxplot之后，結果中會自帶異常值，就是下面代碼中的sp$out，這個是做箱型圖，按照上下邊界之外為異常值進行判定的。
上下邊界，分別是Q3+（Q3-Q1）、Q1-（Q3-Q1）。
- sp=boxplot(saledata$"銷量",boxwex=0.7)
- title("銷量異常值檢測箱線圖")
- xi=1.1
- sd.s=sd(saledata[complete.cases(saledata),]$"銷量")
- mn.s=mean(saledata[complete.cases(saledata),]$"銷量")
- points(xi,mn.s,col="red",pch=18)
- arrows(xi, mn.s - sd.s, xi, mn.s + sd.s, code = 3, col = "pink", angle = 75, length = .1)
- text(rep(c(1.05,1.05,0.95,0.95),length=length(sp$out)),labels=sp$out[order(sp$out)],
- sp$out[order(sp$out)]+rep(c(150,-150,150,-150),length=length(sp$out)),col="red")
代碼中text函數的格式為text(x,label,y,col)；points加入均值點；arrows加入均值上下1δ標准差范圍箭頭。
箱型圖還有等寬與等深分箱法，可見另外一個博客：R語言︱噪聲數據處理、數據分組——分箱法（離散化、等級化）
4、數據去重
數據去重與數據分組合並存在一定區別，去重是純粹的所有變量都是重復的，而數據分組合並可能是因為一些主鍵的重復。
數據去重包括重復檢測（table、unique函數）以及重復數據處理（unique/duplicated）。
常見的有unique、數據框中duplicated函數，duplicated返回的是邏輯值。
二、異常值處理
常見的異常值處理辦法是刪除法、替代法（連續變量均值替代、離散變量用眾數以及中位數替代）、插補法（回歸插補、多重插補）
除了直接刪除，可以先把異常值變成缺失值、然后進行后續缺失值補齊。
實踐中，異常值處理，一般划分為NA缺失值或者返回公司進行數據修整（數據返修為主要方法）
1、異常值識別
利用圖形——箱型圖進行異常值檢測。
- #異常值識別
- par(mfrow=c(1,2))#將繪圖窗口划為1行兩列，同時顯示兩圖
- dotchart(inputfile$sales)#繪制單變量散點圖,多蘭圖
- pc=boxplot(inputfile$sales,horizontal=T)#繪制水平箱形圖
代碼來自《R語言數據分析與挖掘實戰》第四節。
2、蓋帽法
整行替換數據框里99%以上和1%以下的點，將99%以上的點值=99%的點值；小於1%的點值=1%的點值。
（本圖來自CDA DSC，L2-R語言課程，常老師所述）
- #異常數據處理
- q1<-quantile(result$tot_derog, 0.001) #取得時1%時的變量值
- q99<-quantile(result$tot_derog, 0.999) #replacement has 1 row, data has 0 說明一個沒換
- result[result$tot_derog<q1,]$tot_derog<-q1
- result[result$tot_derog>q99,]$tot_derog<-q99
- summary(result$tot_derog) #蓋帽法之后，查看數據情況
- fix(inputfile)#表格形式呈現數據
- which(inputfile$sales==6607.4)#可以找到極值點序號是啥
把缺失值數據集、非缺失值數據集分開。
- #缺失值的處理
- inputfile$date=as.numeric(inputfile$date)#將日期轉換成數值型變量
- sub=which(is.na(inputfile$sales))#識別缺失值所在行數
- inputfile1=inputfile[-sub,]#將數據集分成完整數據和缺失數據兩部分
- inputfile2=inputfile[sub,]
3、噪聲數據處理——分箱法
將連續變量等級化之后，不同的分位數的數據就會變成不同的等級數據，連續變量離散化了，消除了極值的影響。
4、異常值處理——均值替換
數據集分為缺失值、非缺失值兩塊內容。缺失值處理如果是連續變量，可以選擇均值；離散變量，可以選擇眾數或者中位數。
計算非缺失值數據的均值，
然后賦值給缺失值數據。
- #均值替換法處理缺失，結果轉存
- #思路：拆成兩份，把缺失值一份用均值賦值，然后重新合起來
- avg_sales=mean(inputfile1$sales)#求變量未缺失部分的均值
- inputfile2$sales=rep(avg_sales,n)#用均值替換缺失
- result2=rbind(inputfile1,inputfile2)#並入完成插補的數據
5、異常值處理——回歸插補法
- #回歸插補法處理缺失，結果轉存
- model=lm(sales~date,data=inputfile1)#回歸模型擬合
- inputfile2$sales=predict(model,inputfile2)#模型預測
- result3=rbind(inputfile1,inputfile2)
6、異常值處理——多重插補——mice包
注意：多重插補的處理有兩個要點：先刪除Y變量的缺失值然后插補
1、被解釋變量有缺失值的觀測不能填補，只能刪除，不能自己亂補；
2、只對放入模型的解釋變量進行插補。
比較詳細的來介紹一下這個多重插補法。筆者整理了大致的步驟簡介如下：
缺失數據集——MCMC估計插補成幾個數據集——每個數據集進行插補建模（glm、lm模型）——將這些模型整合到一起（pool）——評價插補模型優劣（模型系數的t統計量）——輸出完整數據集（compute）
步驟詳細介紹：
函數mice()首先從一個包含缺失數據的數據框開始，然后返回一個包含多個（默認為5個）完整數據集的對象。
每個完整數據集都是通過對原始數據框中的缺失數據進行插補而生成的。 由於插補有隨機的成分，因此每個完整數據集都略有不同。
其中，mice中使用決策樹cart有以下幾個要注意的地方：該方法只對數值變量進行插補，分類變量的缺失值保留，cart插補法一般不超過5k數據集。
然后， with()函數可依次對每個完整數據集應用統計模型（如線性模型或廣義線性模型） ，
最后， pool()函數將這些單獨的分析結果整合為一組結果。最終模型的標准誤和p值都將准確地反映出由於缺失值和多重插補而產生的不確定性。
- #多重插補法處理缺失，結果轉存
- library(lattice) #調入函數包
- library(MASS)
- library(nnet)
- library(mice) #前三個包是mice的基礎
- imp=mice(inputfile,m=4) #4重插補，即生成4個無缺失數據集
- fit=with(imp,lm(sales~date,data=inputfile))#選擇插補模型
- pooled=pool(fit)
- summary(pooled)
- result4=complete(imp,action=3)#選擇第三個插補數據集作為結果
結果解讀：
（1）imp對象中，包含了：每個變量缺失值個數信息、每個變量插補方式（PMM，預測均值法常見）、插補的變量有哪些、預測變量矩陣（在矩陣中，行代表插補變量，列代表為插補提供信息的變量， 1和0分別表示使用和未使用）；
同時 利用這個代碼imp$imp$sales 可以找到，每個插補數據集缺失值位置的數據補齊具體數值是啥。
- > imp$imp$sales
- 1 2 3 4
- 9 3614.7 3393.1 4060.3 3393.1
- 15 2332.1 3614.7 3295.5 3614.7
（2）with對象。插補模型可以多樣化，比如lm，glm都是可以直接應用進去，詳情可見《R語言實戰》第十五章；
（3）pool對象。summary之后，會出現lm模型系數，可以如果出現系數不顯著，那么則需要考慮換插補模型；
（4）complete對象。m個完整插補數據集，同時可以利用此函數輸出。
其他：
mice包提供了一個很好的函數md.pattern()，用它可以對缺失數據的模式有個更好的理解。還有一些可視化的界面，通過VIM、箱型圖、lattice來展示缺失值情況。可見博客：在R中填充缺失數據—mice包
三、離群點檢測
離群點檢測與第二節異常值主要的區別在於，異常值針對單一變量，而離群值指的是很多變量綜合考慮之后的異常值。下面介紹一種基於聚類+歐氏距離的離群點檢測方法。
基於聚類的離群點檢測的步驟如下：數據標准化——聚類——求每一類每一指標的均值點——每一類每一指標生成一個矩陣——計算歐式距離——畫圖判斷
- Data=read.csv(".data.csv",header=T)[,2:4]
- Data=scale(Data)
- set.seed(12)
- km=kmeans(Data,center=3)
- print(km)
- km$centers #每一類的均值點
- #各樣本歐氏距離，每一行
- x1=matrix(km$centers[1,], nrow = 940, ncol =3 , byrow = T)
- juli1=sqrt(rowSums((Data-x1)^2))
- x2=matrix(km$centers[2,], nrow = 940, ncol =3 , byrow = T)
- juli2=sqrt(rowSums((Data-x2)^2))
- x3=matrix(km$centers[3,], nrow = 940, ncol =3 , byrow = T)
- juli3=sqrt(rowSums((Data-x3)^2))
- dist=data.frame(juli1,juli2,juli3)
- ##歐氏距離最小值
- y=apply(dist, 1, min)
- plot(1:940,y,xlim=c(0,940),xlab="樣本點",ylab="歐氏距離")
- points(which(y>2.5),y[which(y>2.5)],pch=19,col="red")
- 原文地址：https://blog.csdn.net/sinat_26917383/article/details/51210793