银行信贷数据集探索性数据分析

笔者邀请您，先思考：

1 如何对数据集做探索性数据分析（EDA）？

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。

数据导入

数据是来自klaR的GermanCredit数据.

1library(pacman)
2p_load(tidyverse,klaR)
3
4data(GermanCredit)
5GermanCredit %>% 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。

1p_load(DataExplorer)
2create_report(df)

先用dlookr对表格进行审视。

1p_load(dlookr)
2
3diagnose(df) %>% 
4  arrange(types) %>% 
5  print(n = Inf)

 1## # A tibble: 21 x 6
 2##    variables  types missing_count missing_percent unique_count unique_rate
 3##    <chr>      <chr>         <int>           <dbl>        <int>       <dbl>
 4##  1 status     fact~             0               0            4       0.004
 5##  2 credit_hi~ fact~             0               0            5       0.005
 6##  3 purpose    fact~             0               0           10       0.01 
 7##  4 savings    fact~             0               0            5       0.005
 8##  5 personal_~ fact~             0               0            4       0.004
 9##  6 other_deb~ fact~             0               0            3       0.003
10##  7 property   fact~             0               0            4       0.004
11##  8 other_ins~ fact~             0               0            3       0.003
12##  9 housing    fact~             0               0            3       0.003
13## 10 job        fact~             0               0            4       0.004
14## 11 telephone  fact~             0               0            2       0.002
15## 12 foreign_w~ fact~             0               0            2       0.002
16## 13 credit_ri~ fact~             0               0            2       0.002
17## 14 duration   nume~             0               0           33       0.033
18## 15 amount     nume~             0               0          921       0.921
19## 16 installme~ nume~             0               0            4       0.004
20## 17 present_r~ nume~             0               0            4       0.004
21## 18 age        nume~             0               0           53       0.053
22## 19 number_cr~ nume~             0               0            4       0.004
23## 20 people_li~ nume~             0               0            2       0.002
24## 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。

1p_load(skimr)
2
3skim(df)

 1## Skim summary statistics
 2##  n obs: 1000 
 3##  n variables: 21 
 4## 
 5## -- Variable type:factor --------------------------------------------------------------------------------------------------
 6##                 variable missing complete    n n_unique
 7##           credit_history       0     1000 1000        5
 8##              credit_risk       0     1000 1000        2
 9##      employment_duration       0     1000 1000        5
10##           foreign_worker       0     1000 1000        2
11##                  housing       0     1000 1000        3
12##                      job       0     1000 1000        4
13##            other_debtors       0     1000 1000        3
14##  other_installment_plans       0     1000 1000        3
15##      personal_status_sex       0     1000 1000        4
16##                 property       0     1000 1000        4
17##                  purpose       0     1000 1000       10
18##                  savings       0     1000 1000        5
19##                   status       0     1000 1000        4
20##                telephone       0     1000 1000        2
21##                               top_counts ordered
22##    exi: 530, cri: 293, del: 88, all: 49    FALSE
23##               goo: 700, bad: 300, NA: 0    FALSE
24##                              1 <: 339,      TRUE
25##                 yes: 963, no: 37, NA: 0    FALSE
26##     own: 713, ren: 179, for: 108, NA: 0    FALSE
27##   ski: 630, uns: 200, man: 148, une: 22    FALSE
28##       non: 907, gua: 52, co-: 41, NA: 0    FALSE
29##      non: 814, ban: 139, sto: 47, NA: 0    FALSE
30##    mal: 548, fem: 310, mal: 92, mal: 50    FALSE
31##  car: 332, rea: 282, bui: 232, unk: 154    FALSE
32##  dom: 280, car: 234, rad: 181, car: 103    FALSE
33##                                            FALSE
34##                              no : 394,     FALSE
35##                no: 596, yes: 404, NA: 0    FALSE
36## 
37## -- Variable type:numeric -------------------------------------------------------------------------------------------------
38##           variable missing complete    n    mean      sd  p0    p25    p50
39##                age       0     1000 1000   35.55   11.38  19   27     33  
40##             amount       0     1000 1000 3271.26 2822.74 250 1365.5 2319.5
41##           duration       0     1000 1000   20.9    12.06   4   12     18  
42##   installment_rate       0     1000 1000    2.97    1.12   1    2      3  
43##     number_credits       0     1000 1000    1.41    0.58   1    1      1  
44##      people_liable       0     1000 1000    1.16    0.36   1    1      1  
45##  present_residence       0     1000 1000    2.85    1.1    1    2      3  
46##      p75  p100     hist
47##    42       75 ▇▇▆▃▂▁▁▁
48##  3972.25 18424 ▇▃▂▁▁▁▁▁
49##    24       72 ▇▅▅▃▁▁▁▁
50##     4        4 ▂▁▃▁▁▂▁▇
51##     2        4 ▇▁▅▁▁▁▁▁
52##     1        2 ▇▁▁▁▁▁▁▂
53##     4        4 ▂▁▆▁▁▃▁▇

一个比较好的可视化方法，是visdat包。

1p_load(visdat)
2
3vis_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。

1p_load(DataExplorer)
2
3#数值型变量的分布观察
4plot_density(df)

1#因子型变量的分布观察
2plot_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。

1#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
2plot_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。

1p_load(dlookr)
2
3plot_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。

1plot_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。

1plot_correlation(df,type = "c")

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

1p_load(PerformanceAnalytics)
2
3df %>% 
4  select_if(is.numeric) %>%   #这种图只能看数值型变量的相互关系
5  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。

1diagnose_outlier(df)

 1## # A tibble: 7 x 6
 2##   variables outliers_cnt outliers_ratio outliers_mean with_mean
 3##   <chr>            <int>          <dbl>         <dbl>     <dbl>
 4## 1 duration            70            7.           50.5     20.9 
 5## 2 amount              72            7.2       10940.    3271.  
 6## 3 installm~            0            0           NaN        2.97
 7## 4 present_~            0            0           NaN        2.84
 8## 5 age                 23            2.3          68.5     35.5 
 9## 6 number_c~            6            0.6           4        1.41
10## 7 people_l~          155           15.5           2        1.16
11## # ... 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。

1diagnose_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。

内容推荐

数据人网：数据人学习，交流和分享的平台，诚邀您创造和分享数据知识，共建和共享数据智库。