如何用SPSS和Clementine处理缺失值、离群值、极值
一、什么是预处理、预分析?
高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎,耗费大量的时间,但数据质量仍然需持续关注。不管是一手还是二手数据源,总是会存在一些质量问题。同时,为了满足数据分析、挖掘的实际需要,对噪声数据如何处理,是丢弃还是补充,或者重新计算新的数据变量,这些不是随意决定的,这就是数据预处理的一个过程,是在数据分析、挖掘开始前对数据源的审核和判断,是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。
二、如何发现数据质量问题,例如,如何发现缺失值?
1、SPSS是如何做到的?
(1)系统缺失值、空白值
每一个变量均有可能出现系统缺失或者空白,当数据量巨大时我们根本无法用眼睛看出是否有缺失,最明智的做法是把这项任务交给数据分析工具,比如Excel,可通过数据有效性、筛选、查找、计数等功能去实现,如果是SPSS数据源,可以通过描述统计之“频率”项来实现。
上图,五个变量中,家庭人均收入有效样本94,有6个无效样本,在spss数据区域显示为空白值。其他变量均没有缺失,对于这6个缺失值是留是踢需要谨慎。
(2)变量取值分布
这一项不容忽视,一般由于输入错误、数据本身或者其他原因造成。这里分分类变量和数值变量进行检查。
分类变量取值分布检查:
描述统计之“频率”项,可以对变量以及变量取值进行频次统计汇总,因此,此处仍然采用“频率”项。
上图,我们已经确认是否献血样本全部有效,但是不代表这个变量没有其他噪声。通过此变量取值分布的考察,我们可以发现是否献血有4个水平,分别为“0”“1”“No”“Yes”,但实际上,该变量的取值至于两个水平,“No”“Yes”,其余两个取值是错误操作导致的,这是系统缺失值,可以通过重新赋值进行处理。
数值变量取值分布检查:
数值变量取值分布不宜采用“频次”的统计,一般可通过直方图、含有正态检验的直方图来实现。
上图,数值变量的直方图,可以清楚的看到其分布情况。可以初步判断存在异常值。
(3)离群值、极值
在SPSS中可以通过“箱图”直观的看到异常值,探索分析项或者箱图功能可实现。
上图,为spss探索分析结果,还可以设置分组变量。可以直观的发现,家庭人均收入存在极值,编号为66,可以快速查找定位。
2、Clementine是怎么做到的?
Data Audit,数据审核节点示例:以下数据流看图不解释。
首先,建立以上数据流。最后一个为“数据审核”节点,右键选择并打开编辑:
上图,为clementine变量诊断结果,非常直观,图文并茂,而且一张图几乎说明了数据源各种质量问题。是否无偿献血,取值水平有4个,家庭人均收入最大值有异常,且明确显示有6个无效值。其他变量正常。
上图,是clementine变量诊断结果中的另外一张图表,我们可以发现家庭人均收入有一枚极值,六枚无效值。通过上述诊断,数据质量问题一目了然。
三、如何处理缺失值、离群值、极值?
1、SPSS实现方法
上图,为spss变量转换菜单下的重新编码为相同变量选项卡。可以轻松实现变量重新赋值。主要实现方法:重新编码为相同/不同变量、计算变量、缺失值分析模块,此处略,后续文章会涉及。
2、Clementine实现方法
(1)是否无偿献血 重新分类
我们已经清楚的知道,是否无偿献血变量在取值分布上存在问题。在clementine,需要用Reclassify节点进行重新分类,在变量诊断的第一种表格上选中是否无偿献血变量,点击左上角“生成”按钮,生成一个Reclassify节点。打开该节点,如上图所示,即可完成重新分类。
(2)无效值、空白值的处理
家庭人均收入变量存在6个无效值,我们建议保留这6个样本,希望通过决策树算法进行针对性的预测,从而为这6个无效值进行赋值。如上图所示进行操作。然后,选中该变量,点击左上角“生成”按钮,自动生成一个缺失值插补超级节点。
(3)离群值、极值的处理
家庭收入变量还存在一枚极值,对于该极值,我们采取剔除丢弃处理,在clementine变量诊断表格中,如上图操作,点击生成按钮,自动生成一个离群值和极值超级节点。
(4)以下为clementine的处理结果
我们将自动生成的两个超级节点,连接在数据流末端,再次进行数据审核,结果如上图所示,此时,我们可以看到,上述几个问题已经达到合理地解决。最终我们剔除了一个极值,对其他质量问题采取保守态度进行相应的处理。
上图,为整个过程的数据流图示。
四、总结
1、通过SPSS描述统计的相关过程,可以实现数据质量的探索分析并进行相应的预处理。
2、通过Clementine的Type节点、Filler节点、Reclassify节点、Data Audit等节点可以实现数据质量的探索,而且比SPSS更直观,更快捷。
3、相比而言,clementine在数据分析预处理方面更加优秀,结果可视化程度较高,直观易懂,而且处理流程简短精悍,虽然通过spss或者excel也可以完成这些工作,但我想,如果能合理选择有效驾驭,clementine是一个不错的选择,这不是炫耀或者奢侈,更效率更效果的工作才是最终目的。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14