在面对大规模数据时,对数据预处理,获取基本信息是十分必要的。今天分享的就是数据预处理的一些东西。
一、获取重要数据
在导入大规模数据时,我们通常需要知道数据中的关键内容:最值,均值,离差,分位数,原点矩,离差,方差等。在R中常用的函数与作用整理如下:
统计函数 |
作用 |
Max |
返回数据的最大值 |
Min |
返回数据的最小值 |
Which.max |
返回最大值的下标 |
Which.min |
返回最小值的下标 |
Mean |
求均值 |
Median |
求中位数 |
mad |
求离差 |
Var |
求方差(总体方差) |
Sd |
求标准差 |
Range |
返回【最小值,最大值】 |
Quantile |
求分位数 |
Summary |
返回五数概括与均值 |
Finenum |
五数概括(最值,上下四分位数,中位数) |
Sort |
排序(默认升序,decreasing=T时为降序) |
Order |
排序(默认升序,decreasing=T时为降序) |
Sum |
求和 |
length |
求数据个数 |
emm |
Actuar包中求k阶原点矩 |
skewness |
Fbasic包中求偏度 |
kurtosis |
Fbasics包中求峰度 |
注:对象为分组数据,矩阵时返回的不是整体的方差,均值,而是每一列(组)的方差均值其余变量类似。
二、直方图与频数统计
对于数据分布的认识,在大规模时有必要使用直方图。在R语言中,直方图的函数调用为:
hist(x, breaks = "Sturges",
freq = NULL, probability = !freq,
include.lowest = TRUE, right = TRUE,
density = NULL, angle = 45, col = NULL, border = NULL,
main= paste("Histogram of" , xname),
xlim = range(breaks), ylim = NULL,
xlab = xname, ylab,
axes = TRUE, plot = TRUE, labels = FALSE,
nclass = NULL, warn.unused = TRUE, ...)
这里值得一提的是,分组参数breaks默认使用史特吉斯(Sturges)公式,根据测定数n 来计算组距数k,公式为:k=1+3.32 logn。当然也可以自己设定一个数组来决定分组。(举例参见《R语言绘图学习笔记》)
说完频率分布直方图,我们还有频率分布直方表。对于数据的统计,函数table可以统计出数据中完全相同的数据个数。例如对《全宋词》中暴力拆解(两个相邻字算一词)词语使用数目的统计程序如下:
l=scan("Ci.txt","character",sep="\n");
l.len=nchar(l);
ci=l;
sentences=strsplit(ci,",|。|!|?|、");# 句子用标点符号分割。
sentences=unlist(sentences);
sentences=sentences[sentences!=""];
s.len=nchar(sentences);#单句太长了说明有可能是错误的字符,去除掉。
sentences=sentences[s.len<=10];
s.len=nchar(sentences);
splitwords=function(x,x.len)substring(x,1:(x.len-1),2:x.len);
words=mapply(splitwords,sentences,s.len,SIMPLIFY=TRUE,USE.NAMES=FALSE);
words=unlist(words);
words.freq=table(words);#词频统计
words.freq=sort(words.freq,decreasing=TRUE);
data.frame(Word=names(words.freq[1:100]),Freq=as.integer(words.freq[1:100]));
而对于一堆数,我们按区间做的时候,就还需要函数cut.调用格式如下:
cut(x, breaks, labels = NULL,
include.lowest = FALSE, right = TRUE, dig.lab = 3,
ordered_result = FALSE, ...)
举一个具体例子,某一款保险产品,假设保单到达的速率为10张/天,理赔发生的速率为1次/天。假设每张保单价格c=120,理赔额服从参数为v=1/1000 (以c*lambda1=1.2*lambda2/v设定)的指数分布。设定初始u=3000时,计算到第1000天为止发生破产的概率。(案例摘自《复合泊松过程模型的推广和在R语言环境下的随机模拟》 )
破产过程的R代码如下:
pois.proc= function(T, lambda){
S = 0
I =rpois(1, lambda*T) #产生t 泊松分布,这里调用R 内置的泊松函数避免循环。
U =runif(I)
S =sort(T * U) #排序产生顺序统计量的思想
list(I= I, S = S)
}
broken.proc= function(k, u= 3000, c= 120){
n =1000 #模拟到时刻 1000 为止的破产情况
M =pois.proc(n, 10)
N =pois.proc(n, 1)
U = u #初始盈余
X = 0
result=0
A =sort(c(M$S, N$S)) #M$S和 N$S 是保单和理赔达到时刻
for(iin 1:length(A)){
if(any(A[i]==N$S)== 0)
U=U+c
else {
X[i] =rexp(1, rate=1/1000)
U = U -X[i] #减去这个随机值
if(U< 0){ #判断盈余是否小于0(保单到达的时候不需要判断)
result<-A[i] #盈余小于 0时,记录这个理赔到达(破产)的刻
break}
}
}
if(U>= 0){ #如果 for循环没有中断,判最终的盈余其实肯定非负
result= n + 200
} #给结果赋值一个明显比模拟时刻大的数据,表示未破产
return(result) #返回最终结果
}
#根据这个破产过程可以模拟保险人的频数和频率:
simulation= function(n=100){ #定义一个重复模拟破产过程的函数
t =numeric(n)
for(iin 1:n){
t[i] =broken.proc(i)} #产生 n次破产或者代表未破产的时刻
return(t)}
time=simulation(n= 1200)
rangetime= time[time!=1200]
breakratio= length(rangetime)/length(time);
breakratio
break.points<-c(0,10,20,30,40,50,100,200,300,400,500,1000,1200)
table(cut(time,breaks=break.points))
hist(rangetime,breaks = 50, xlab='broken time',xlim = c(0, max(rangetime)),main = 'Histogramof Broken time')
用R 语言模拟了1200 次,最终结果 1200 次中破产 628 次,破产率大概 52.3% 。输出各阶段破产时刻 频数和率结果如下:
区间 |
频数 |
|
|
|
|
(0,10] |
389 |
|
|
|
|
(10,20] |
89 |
|
|
|
|
(20,30] |
45 |
|
|
|
|
(30,40] |
28 |
|
|
|
|
(40,50] |
16 |
|
|
|
|
(50,100] |
36 |
|
|
|
|
(100,200] |
17 |
|
|
|
|
(200,300] |
6 |
|
|
|
|
(300,400] |
2 |
|
|
|
|
(400,500] |
0 |
|
|
|
|
(500,1000] |
0 |
|
|
|
|
(1000,1200] |
572 |
|
|
|
对于一些数据我们可能直接录入的是频率分布直方表,那么actuar包中提供了一个有用的数据结构grouped.data。调用格式:
grouped.data(..., right = TRUE, row.names = NULL, check.rows = FALSE,
check.names = TRUE)
运用举例:
library(actuar)
z=rnorm(10000)
break.points<-c(-Inf,-3,-2,-1,0,1,2,3,Inf)
tz<-table(cut(z,breaks=break.points))
tz
zz<-grouped.data(Group=break.points,freq=as.matrix(tz))
zz
对比一下下面的输出结果,我们发现分组数据的均值计算与总体数据计算方法是不一样的。
mean(zz)
mean(zz[c(2:7),])
mean(z)
注:函数elev()可以计算有限期望值,可以避免mean(zz)不存在的尴尬。
当然对于数据的直观分析R提供的函数有许多,我们将常见的函数汇总如下:
EDA <- function (x)
{
par(mfrow=c(2,2)) # 同时做4个图
hist(x) # 直方图
dotchart(x) # 点图
boxplot(x,horizontal=T) # 箱式图
qqnorm(x);qqline(x) # 正态概率图
par(mfrow=c(1,1)) # 恢复单图
}
三、正态检验与经验分布
对于数据的分布估计经验分布是一个非常好的估计。在actuar包中函数ogive给出的实现:
ogive(x, y = NULL, ...)
## S3 method for class 'ogive'
print(x, digits = getOption("digits") - 2, ...)
## S3 method for class 'ogive'
summary(object, ...)
## S3 method for class 'ogive'
knots(Fn, ...)
## S3 method for class 'ogive'
plot(x, main = NULL, xlab = "x", ylab = "F(x)", ...)
还是以上面的例子数据zz为例:
ogive(zz)
plot(ogive(zz))
输出结果:
Ogive forgrouped data
Call:ogive(zz)
x = -Inf, -3, -2, ..., 3, Inf
F(x) = 0, 0.0011, 0.0229, ...,0.9985, 1
由于大数定律的存在,很多情况下,正态性检验是十分有必要的一个分布检验,在R中提供的正态性检验可以汇总为下面的一个正态检验函数:
NormTest<-function(data){
library(fBasics)
library(nortest)
udata<-unique(data)
result<-list()
result$D<-dagoTest(data)
result$jB<-jarqueberaTest(data)
result$SW<-shapiroTest(data)
result$lillie<-lillie.test(data)
result$ad<-ad.test(data)
result$cvm<-cvm.test(data)
result$sf<-sf.test(data)
return(result)
}
对于分布的检验还有卡方检验,柯尔莫哥洛夫检验等,在R中也有实现函数chisq.test()等。我们同样以一个例子来说明:
例子摘自:王兆军《数理统计讲义》习题6.3
解答如下:(结果以注释形式标明)
v<-c(57,203,383,525,532,408,273,139,45,27,16)
chisq.test(v)#p<0.05,认为检验总体是否与给定的p相同,p缺省表示等可能性检验
#验证V的分布是否为poission分布
x<-0:10
options(digits=3)
likely<-function(lamda=3){
-sum(y*dpois(x,lamda=lamda,log=T))
}
library(stats4)
mle(likely)
chisq.fit<-function(x,y,r){
options(digits=4)
result<-list()
n<-sum(y)
prob<-dpois(x,3.87,log=F)
y<-c(y,0)
m<-length(y)
prob<-c(prob,1-sum(prob))
result$chisq<-sum((y-n*prob)^2/(n*prob))
result$p.value<-pchisq(result$chisq,m-r-1,lower.tail=F)
result
}
chisq.fit(x,v,1)#p<0.05 拒绝假设分布