探索性数据分析:银行信贷数据集

浏览: 2088

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。

导入数据

数据是来自klaR的GermanCredit数据.

library(pacman)
p_load(tidyverse,klaR)
data(GermanCredit)
GermanCredit %>% 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。

p_load(DataExplorer)
create_report(df)

先用dlookr对表格进行审视:

p_load(dlookr)
diagnose(df) %>%
 arrange(types) %>%
 print(n = Inf)
## # A tibble: 21x 6
##   variables  types missing_countmissing_percent unique_count unique_rate
##   <chr>      <chr>         <int>           <dbl>        <int>       <dbl>
##  1status     fact~             0               0            4       0.004
##  2 credit_hi~fact~             0               0            5       0.005
##  3purpose    fact~             0               0           10       0.01
##  4savings    fact~             0               0            5      0.005
##  5 personal_~fact~             0               0            4       0.004
##  6 other_deb~fact~             0               0            3       0.003
##  7property   fact~             0               0            4       0.004
##  8 other_ins~fact~             0               0            3       0.003
##  9housing    fact~             0               0            3       0.003
## 10 job       fact~             0               0            4       0.004
## 11 telephone fact~             0               0            2       0.002
## 12 foreign_w~ fact~             0               0            2       0.002
## 13 credit_ri~ fact~             0               0            2       0.002
## 14 duration  nume~             0               0           33       0.033
## 15 amount    nume~             0               0          921       0.921
## 16 installme~ nume~             0               0            4       0.004
## 17 present_r~ nume~             0               0            4       0.004
## 18 age       nume~             0               0           53       0.053
## 19 number_cr~ nume~             0               0            4       0.004
## 20 people_li~ nume~             0               0            2       0.002
## 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。

p_load(skimr)

skim(df)
## Skim summarystatistics
##  n obs: 1000
##  n variables:21
##
## -- Variable type:factor--------------------------------------------------------------------------------------------------
##                variable missing complete    nn_unique
##           credit_history       0    1000 1000        5
##             credit_risk       0     1000 1000        2
##     employment_duration       0     1000 1000        5
##          foreign_worker       0     1000 1000        2
##                 housing       0     1000 1000        3
##                     job       0     1000 1000        4
##           other_debtors       0     1000 1000        3
## other_installment_plans      0     1000 1000        3
##     personal_status_sex       0     1000 1000        4
##                property       0     1000 1000        4
##                 purpose       0     1000 1000       10
##                 savings       0     1000 1000        5
##                  status       0     1000 1000        4
##                telephone       0    1000 1000        2
##                               top_countsordered
##    exi: 530,cri: 293, del: 88, all: 49    FALSE
##              goo: 700, bad: 300, NA: 0    FALSE
##                              1 <: 339,      TRUE
##                 yes: 963, no: 37, NA: 0    FALSE
##     own: 713,ren: 179, for: 108, NA: 0    FALSE
##   ski: 630,uns: 200, man: 148, une: 22    FALSE
##       non:907, gua: 52, co-: 41, NA: 0    FALSE
##      non:814, ban: 139, sto: 47, NA: 0    FALSE
##    mal: 548,fem: 310, mal: 92, mal: 50    FALSE
##  car: 332,rea: 282, bui: 232, unk: 154    FALSE
##  dom: 280,car: 234, rad: 181, car: 103    FALSE
##                                           FALSE
##                              no : 394,     FALSE
##               no: 596, yes: 404, NA: 0    FALSE
##
## -- Variable type:numeric-------------------------------------------------------------------------------------------------
##          variable missing complete   n    mean      sd p0    p25    p50
##               age       0     1000 1000  35.55   11.38  19  27     33  
##            amount       0     1000 1000 3271.26 2822.74 250 1365.52319.5
##          duration       0     1000 1000   20.9   12.06   4   12    18  
##  installment_rate       0     1000 1000    2.97   1.12   1    2     3  
##    number_credits       0     1000 1000    1.41   0.58   1    1     1  
##     people_liable       0     1000 1000    1.16   0.36   1    1     1  
## present_residence       0     1000 1000    2.85   1.1    1    2     3  
##      p75  p100    hist
##    42       75 ▇▇▆▃▂▁▁▁
##  3972.2518424 ▇▃▂▁▁▁▁▁
##    24       72 ▇▅▅▃▁▁▁▁
##     4        4 ▂▁▃▁▁▂▁▇
##     2        4 ▇▁▅▁▁▁▁▁
##     1       2 ▇▁▁▁▁▁▁▂
##     4        4 ▂▁▆▁▁▃▁▇

一个比较好的可视化方法,是visdat包。

p_load(visdat)

vis_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。

p_load(DataExplorer)

#数值型变量的分布观察
plot_density(df)

#因子型变量的分布观察
plot_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。

#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
plot_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。

p_load(dlookr)

plot_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。

plot_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。

plot_correlation(df,type = "c")

不过,想要同时获得相关性的信息,首推PerformanceAnalytics这个包。

p_load(PerformanceAnalytics)

df %>%
 select_if(is.numeric) %>%   #这种图只能看数值型变量的相互关系
 chart.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。

diagnose_outlier(df)
## # A tibble: 7 x 6
##   variablesoutliers_cnt outliers_ratio outliers_mean with_mean
##  <chr>           <int>         <dbl>         <dbl>     <dbl>
## 1 duration            70            7.           50.5    20.9
## 2 amount              72            7.2       10940.   3271.  
## 3 installm~            0            0           NaN        2.97
## 4 present_~            0            0           NaN        2.84
## 5 age                 23            2.3          68.5     35.5
## 6 number_c~            6            0.6           4        1.41
## 7 people_l~         155           15.5           2        1.16
## # ... 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。

diagnose_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:

推荐 0
本文由 R语言中文社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册