使用R语言进行数据清洗

数据清洗是整个数据分析过程中一个非常重要的环节。数据清洗的目的有两个，第一是通过清洗让数据可用。第二是让数据变的更适合进行后续的分析工作。本篇文章将介绍几种简单的使用R进行数据清洗的方法。
读取并创建数据表
首先将数据读取到R中，并创建名为loan的数据表。后面我们将对这个数据表进行清洗。
#读取并创建数据表
loan=data.frame(read.csv('loan.csv',header = 1))
使用head函数查看数据表的前5行。
#查看数据表前5行
head(loan)

数据清洗
重复值
使用duplicated函数查看数据表中的用户ID列是否存在重复值，duplicated函数返回该字段每一行的检查结果，重复的标记为TURE，不重复的值标记为FALSE。在下面的结果中可以看到数据表的用户ID列最后四个值为重复值。
#查看特定列是否有重复
duplicated(loan$member_id)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE TRUE TRUE TRUE
对于包含重复值的数据表，可以使用unique函数提取数据表中的唯一值，并用唯一值覆盖原有数据，达到去除重复值的目的。下面的代码提取了loan数据表中的唯一值，并重新赋给loan数据表。此时loan数据表中就不包含重复值了。
#删除重复值，返回唯一值列表
loan=unique(loan)
去除完重复值后，再次使用duplicated函数查看，返回的结果中都为FALSE，已经没有重复值了。
#查看重复值
duplicated(loan$member_id)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
查找空值
使用is.na函数查看数据表中的空值，和重复值一样，空值在结果中显示为TURE，非空值显示为FALSE。下面是对loan数据表检查空值的代码和结果。
#查找数据表中的空值
head(is.na(loan),n = 10)

除了对数据表查看空值以外，还可以对表中特定的列检查空值，在is.na函数中输入表和列的名称，就会看到该列中空值的情况，TRUE为空值，FALSE为非空值。
#查看特定列中的空值
is.na(loan$loan_amnt)
[1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[23] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
填充空值
对于数据表中的空值，有两种处理方法，第一种是用0进行填充，第二种是删除包含空值的行。下面是第一种方法，将loan表中的空值填充为0.
#将空值填充为0
loan[is.na(loan)] <- 0
&#91;/code]
第二种方法使用 删除loan表中包含有空值的行。
&#91;code lang="r"]
#删除空值所在行
loan<-na.omit(loan)
&#91;/code]
<h2>
大小写转换</h2>
英文字母的大小写和字符间的空格是影响数据统计的一个常见原因。例如下面我们使用table函数对数据表按贷款状态进行汇总时，相同的贷款状态由于大小写和空格被分割成多种状态。造成统计数据不可用。下面我们对这个字段进行大小写转换和去除空格的清洗。
#按贷款状态进行汇总
table(loan$loan_status)
Fully Paid charged off Charged Off Charged Off Current fully paid fully Paid Fully paid Fully Paid
1 1 8 1 1 2 1 1 15
将英文字母转换为小写的函数是tolower，下面的代码中我们将贷款状态列统一转化为小写字母，然后重复赋给数据表中的贷款状态列。
#将贷款状态转换为小写
loan$loan_status=tolower(loan$loan_status)
转化完成后，再次使用table函数按贷款状态进行汇总，下面下面的结果中可以看到分类从之前的8个减少到了4个，并且的分类都为小写字母。下面我们在继续进行空格清洗。
#按贷款状态进行汇总
table(loan$loan_status)
fully paid charged off charged off current fully paid
1 9 1 1 19
去除两侧空格
去除字符间的空格比大小写转换要复杂一些，首先我们将需要去除空格的列单独拿出来
#提取贷款状态列
loan_status=as.vector(loan$loan_status)
然后使用trim函数去除该列中的空格，trim函数在raster包中，因此需要先安装raster的包。
#安装raster包
install.packages('raster')
安装完成后加载raster包。
#加载raster包
library(raster)
加载完raster包后，使用trim函数去除贷款状态字符中的空格。
#去除贷款状态字段中的空格
loan_s=trim(loan_status)
使用去除完空格的贷款状态覆盖数据表中原有的贷款状态列。
#覆盖原有贷款状态字段
loan$loan_status=loan_s
去除完空格后，再次按贷款状态进行汇总，结果从5个减少为3个，恢复正常。
#按贷款状态进行汇总
table(loan$loan_status)
charged off current fully paid
10 1 20
查看数据类型
使用typeof函数可以查看数据表中字段的数据类型，下面的代码对数据表中的用户收入字段进行数据类型查看，结果为double型。
#查看用户收入字段的数据类型
typeof(loan$annual_inc)
[1] "double"
更改数据类型
使用as.integer函数将用户收入字段的数据类型由double型转化为integer型。
#将用户收入字段更改为integer
loan$annual_inc=as.integer(loan$annual_inc)
转化后再次使用typeof函数查看数据类型，此时已经显示数据类型为integer。
#查看用户收入字段
typeof(loan$annual_inc)
[1] “integer”
数据预处理
数据分列
很多时候我们需要对一列数据进行分裂处理，在excel中直接使用分列功能就可以完成，在R中，使用strsplit函数也可以实现。首先将需要分列的列单独提取出来。这里我们需要对贷款期限进行分裂。
#提取贷款期限字段
term=as.vector(loan$term)
[1] ” 36 months” ” 60 months” ” 36 months” ” 36 months” ” 60 months” ” 36 months” ” 60 months” ” 36 months” ” 60 months” ” 60 months”
[11] ” 60 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months”
[21] ” 60 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 36 months” ” 60 months” ” 36 months” ” 36 months”
[31] ” 36 months” ” 60 months” ” 36 months” ” 36 months”

然后使用strsplit函数对贷款期限进行分列，分列的依据是空格。具体代码和分列的结果如下所示。
#使用空格对字段进行分裂
strsplit(term,' ')
[[1]]
[1] “” “36” “months”
[[2]]
[1] “” “60” “months”
[[3]]
[1] “” “36” “months”

除了分列以外，还可以对一个字段中的某些信息进行提取，并单独形成一列进行分析。下面我们对贷款日期中的月份进行提取，并合并到原数据表中。提取月份所使用的函数为substr。下面的代码中对贷款日期字段的4-6位进行提取，这部分对应着月信息。
#提取贷款日期字段中的月信息(4-6位)
month=substr(loan$issue_d,4,6)
#查看提取的月信息
month
[1] “Jun” “Sep” “Jun” “Apr” “Jun” “Jan” “May” “Dec” “Aug” “Mar” “Dec” “Aug” “Nov” “Jun” “Mar” “Jun” “Apr” “May” “Jul” “Feb” “Jun” “Jun”
[23] “Jun” “Mar” “Mar” “Sep” “Jun” “May” “Jun” “Dec” “Jun” “May” “Jun” “Dec”

将提取出来的月信息与原数据表合并，并查看前5行数据，从下面的结果中可以看出第一列是新增加的月信息。
#将月信息与原贷款表合并并查看前5行
head(cbind(month,loan))