R语言数据预处理——离散化（分箱）

R语言数据预处理——离散化（分箱）

一、项目环境

• 开发工具：RStudio
• R：3.5.2
• 相关包：infotheo，discretization，smbinning，dplyr，sqldf

二、导入数据

# 这里我们使用的是鸢尾花数据集（iris）
data(iris)
head(iris)

	Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species
1	5.1	3.5	1.4	0.2	setosa
2	4.9	3.0	1.4	0.2	setosa
3	4.7	3.2	1.3	0.2	setosa
4	4.6	3.1	1.5	0.2	setosa
5	5.0	3.6	1.4	0.2	setosa
6	5.4	3.9	1.7	0.4	setosa

相关数据解释：

• Sepal.Length：萼片长度

• Sepal.Width：萼片宽度

• Petal.Length：花瓣长度

• Petal.Width：花瓣宽度

• Species：鸢尾花品种

三、 数据划分

library(dplyr)
library(sqldf)

# 为数据集增加序号列（id）
iris$id <- c(1:nrow(iris))

# 将鸢尾花数据集中70%的数据划分为训练集
iris_train <- sample_frac(iris, 0.7, replace = TRUE)

# 使用sql语句将剩下的30%花费为测试集
iris_test <- sqldf("
               select *
               from iris
               where id not in (
               select id
               from iris_train
               )
               ")

# 去除序号列（id）
iris_train <- iris_train[,-6]
iris_test <- iris_test[,-6]

【注】：这里使用到sqldf包的函数sqldf函数来时间在R语言中使用SQL语句

四、 无监督分箱

常见的几种无监督分箱方法

• 等宽分箱法
• 等频分箱法
• kmeans分箱法

1、 分箱前准备法

# 导入无监督分箱包——infotheo
library(infotheo)

# 分成几个区域
nbins <- 3 

2、 等宽分箱法

### 等宽分箱的原理非常简单，就是按照相同的间距将数据分成相应的等分

# 将连续型数据分成三份，并以1、2、3赋值
equal_width <- discretize(iris_train$Sepal.Width,"equalwidth",nbins)

### 查看分箱情况

# 查看各分类数量
table(equal_width)

# 用颜色表明是等宽分箱
plot(iris_train$Sepal.Width, col = equal_width$X)


### 保存每个等分切割点的值（阙值）

# 计算各个分类相应的切割点
width <- (max(iris_train$Sepal.Width)-min(iris_train$Sepal.Width))/nbins

# 保存阙值
depreciation <- width * c(1:nbins) + min(iris_train$Sepal.Width)

> # 查看各分类数量
> table(equal_width)
equal_width
1 2 3
23 59 23
>
> # 用颜色表明是等宽分箱
> plot(iris_train$Sepal.Width,col=equa{l}_{w}idth$X)
>

3、 等频分箱

### 等频分箱是将数据均匀的分成相应的等分（数量不一定是完全相同的）

# 将连续型数据分成三份，并以1、2、3赋值
equal_freq <- discretize(iris_train$Sepal.Width,"equalfreq",nbins)

### 查看分箱情况

# 查看各分类数量
table(equal_width)

# 用颜色表明是等频分箱
plot(iris_train$Sepal.Width, col = equal_freq$X)


### 保存每个等分切割点的值（阙值）

data <- iris_train$Sepal.Width[order(iris_train$Sepal.Width)]

depreciation <- as.data.frame(table(equal_freq))$Freq

> # 查看各分类数量
> table(equal_freq)
equal_width
1 2 3
43 32 30
>
> # 用颜色表明是等频分箱
> plot(iris_train$Sepal.Width,col=equa{l}_{f}req$X)
>

4、kmeans分箱法

# kmeans分箱法，先给定中心数，将观察点利用欧式距离计算与中心点的距离进行归类，再重新计算中心点，直到中心点# 不再发生变化，以归类的结果做为分箱的结果。


# 将连续型数据分成三份，并以1、2、3赋值
k_means <- kmeans(iris_train$Sepal.Width, nbins)

# 查看各分类数量
table(k_means$cluster)

# 查看实际分箱状况
k_means$cluster

# 保存阙值
# rev() 的作用是倒置数据框
# 统一从左往右，从大到小
depreciation <- rev(k_means$centers)

> # 查看各分类数量
> table(k_meansKaTeX parse error: Expected 'EOF', got '\>' at position 33: … 3 26 36 43 \̲>̲ # 查看实际分箱状况 \> …cluster
[1] 3 2 2 2 3 1 3 3 2 2 3 3 3 2 3 1 1 1 3 1 3 3 1 2 2 1 2 3 3 3 1 1 1 1 3 3 1 2 2
[40] 3 3 3 3 3 2 2 2 3 3 2 3 2 2 1 2 1 2 1 1 2 3 3 3 2 3 2 3 1 3 3 1 1 1 2 3 3 2 3
[79] 3 2 2 2 2 1 3 2 2 3 2 3 2 2 1 3 3 3 3 2 1 1 1 1 2 3 2

五、 有监督分箱

discretization提供了几个主要的离散化的工具函数：

• chiM，ChiM算法进行离散化

• chi2, Chi2算法进行离散化

• mdlp，最小描述长度原理(MDLP)进行离散化

• modChi2，改进的Chi2方法离散数值属性

• disc.Topdown，自上而下的离散化

• extendChi2，扩展Chi2算法离散数值属性

smbinning提供的工具函数：

• smbinning ，基于构造条件推断树ctree的监督式分箱

1、chiM算法进行离散化

### 有监督的数据离散化
library(discretization)# 有监督分箱

# 使用ChiMerge算法基于卡方检验进行自下而上的合并
chi1 <- chiM(iris_train, alpha = 0.05) # alpha 为显著性指标

apply(chi1$Disc.data,2,table)

# 保存阙值
depreciation <- chi1$cutp[[2]]


## 其他有监督分享算法
# chi2 <- chi2(iris,alp=0.5,del=0.05) # chi2()算法
# chi3 <- modChi2(iris,alp=0.5)       # modChi2()算法
# chi4 <- extendChi2(iris,alp = 0.5)  # extendChi2()算法
# m1 <- mdlp(iris)                    # 使用熵准则将最小描述长度作为停止规则来离散化
# d1 <- disc.Topdown(iris,method=1)   # 该功能实现了三种自上而下的离散化算法（CAIM，CACC，Ameva）

> apply(chi1$Disc.data,2,table)
> $Sepal.Length

1 2 3 4
28 14 54 9

$Sepal.Width

1 2 3
50 32 23

$Petal.Length

1 2 3 4
23 45 4 33

$Petal.Width

1 2 3
23 51 31

$Species

setosa versicolor virginica
23 47 35

2、基于构造条件推断树ctree的监督式分箱

# 分箱前数据准备
library(smbinning) 

# 查看测试用例
head(smbsimdf1)

fgood	cbs1	cbs2	cbinq	cbline	cbterm	cblineut	cbtob	cbdpd	cbnew	pmt	tob	dpd	dep	dc	od	home	inc	dd	online	rnd	period
1	60.11	NA	02	2	00	47.51361	5	No	No	M	2	00No	10481.40	20	01	No	W06	00	Yes	0.46641029	2018-03-31
1	45.62	66.72	02	2	02	52.36222	4	No	No	A	1	02Hi	10182.43	17	01	No	W10	00	Yes	0.91980286	2018-05-31
1	30.86	66.94	02	2	00	35.89640	5	No	Yes	M	2	02Hi	9645.37	23	00	No	W05	00	Yes	0.33804009	2018-07-31
1	62.38	49.12	02	3	01	41.93578	6	No	No	P	4	00No	13702.76	31	01	No		00	Yes	0.76475600	2017-12-31
1	54.36	41.22	00	1	00	44.23662	5	No	No	P	4	00No	18720.09	26	02	Yes	W08	01	Yes	0.58563795	2018-02-28
1	68.78	50.80	00	0	00	43.59248	7	Yes	Yes	A	4	01Lo	10217.07	31	00	No	W09	00	Yes	0.05756396	2018-03-31

【注】：这里之所以不适用鸢尾花数据集的原因在于，这个函数的使用条件较为苛刻。首先它不允许数据集的列名中含有 “.” ,比如 鸢尾花数据集中的“Sepal.Width”就不可以。其次它要求用于学习的列必须是二分类，且数据类型必须是numeric，二分类的值也必须是（0， 1） 。也是因为这些原因，为了方便在这里使用包中自带的数据集。

---

# 使用smbinning函数进行分箱，df 为原始数据，y表示目标标签，x表示需要分箱的标签
result <- smbinning(df = smbsimdf1,y = "fgood",x = "cbs1") 


# 查看分箱结果的分布情况，不良率和证据权重
par(mfrow=c(2,2))
boxplot(smbsimdf1$cbs1~smbsimdf1$fgood,horizontal=T, frame=F, col="lightgray",main="Distribution")
smbinning.plot(result,option="dist")
smbinning.plot(result,option="badrate")
smbinning.plot(result,option="WoE")

result$ivtable # 相关重要信息
result$ctree # 决策树
result$cuts # 阙值
smbinning.sql(result) # 输出相应的sql语句

> resultKaTeX parse error: Expected 'EOF', got '#' at position 9: ivtable #̲ 相关重要信息 …ctree # 决策树

Model formula:
fgood ~ cbs1

Fitted party:
[1] root
| [2] cbs1 <= 51.77
| | [3] cbs1 <= 36.44: 0.559 (n = 245, err = 60.4)
| | [4] cbs1 > 36.44: 0.741 (n = 829, err = 159.2)
| [5] cbs1 > 51.77
| | [6] cbs1 <= 59.5: 0.838 (n = 520, err = 70.4)
| | [7] cbs1 > 59.5: 0.935 (n = 650, err = 39.3)

Number of inner nodes: 3
Number of terminal nodes: 4
> result$cuts # 阙值
[1] 36.4400 51.7701 59.5000
> smbinning.sql(result) # 输出相应的sql语句
alter table ‘TableName’ add ‘NewCharName’
go
update ‘TableName’ set ‘NewCharName’
case
when cbs1 <= 36.44 then ‘01: cbs1 <= 36.44’
when cbs1 <= 51.7701 then ‘02: cbs1 <= 51.7701’
when cbs1 <= 59.5 then ‘03: cbs1 <= 59.5’
when cbs1 > 59.5 then ‘04: cbs1 > 59.5’
when cbs1 Is Null then ‘05: cbs1 Is Null’
else ‘99: Error’ end
>

---

# 使用训练好的函数对数据进行分箱（训练集和测试集都需要）
smbsimdf1 <- smbinning.gen(smbsimdf1, result, chrname = "gcbs1")

# 查看分箱情况
table(smbsimdf1$gcbs1)

> table(smbsimdf1$gcbs1)

00 Miss 01 <= 36.44 02 <= 51.7701 03 <= 59.5 04 > 59.5
256 245 829 520 650

【注】：除此之外也可以用smbinning.sql(result) 生成的sql语句，配合sqldf包进行数据分箱操作。

六、 使用阙值对测试集进行分箱操作

​ 上述方法中，除了最后一种方法，我们都没有将训练好的函数用于测试集。但是在实际的分析，我们让数据离散化最主要的目的更多的是为了降低机器学习的负担。因此我们除了需要对训练集进行分箱操作之外，将同样的分箱方法作用与测试集。那么下面我们就将使用之前得到的阙值，对测试集进行分享操作。

### 对测试集进行分箱操作


# 使用之前保存的阙值
# 这里之所以要前后加上Inf，是为了让它的范围能够向正负无穷延伸
# (-Inf, a],[b, Inf)
break1<-c(-Inf,depreciation,Inf)


labels = c("差", "中", "良", "优")

# 第一个值是数据
# 第一个值是分箱的区间
# 第三个值是替换成的数
# ordered_result表示被替换成的数是否有前后顺序
iris_test$Sepal.Width <- cut(iris_test$Sepal.Width,break1,labels,ordered_result = T)
iris_test$Sepal.Width

> iris_test$Sepal.Width
[1] 良 优 优 优 优 优 良 良 优 优 优 优 优 优 优 良 优 优 优 优 优 优 优 优 优 中
[27] 优 优 良 优 优 优 良 良 差 良 差 良 优 良 差 良 良 良 良 良 优 良 良 中 良 良
[53] 优 良 良 良 优 良 优 良 良 良 良 良 优 良 良 良 优 优 良 优 良 良
Levels: 差 < 中 < 良 < 优

七、 结语

​ 本文更多的是从实际操作的角度进行说明，之间涉及到的很多算法的原理没有进行过多的说明。有兴趣的可以查看本文主要参考的两篇文章，或者自行搜索学习。

​ 主要参考：https://blog.csdn.net/kMD8d5R/article/details/84351546，https://mp.weixin.qq.com/s/_E6QjFfJb8Dm5qI5lMNeaA