-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path01_preprocesamiento.R
237 lines (199 loc) · 8.5 KB
/
01_preprocesamiento.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
# 01_preprocesamiento
# Daniel Redondo Sánchez
# ----- Ruta de trabajo (Mac y Windows) y semilla -----
setwd("~/Dropbox/Transporte_interno/Máster/Ciencia de Datos/MDPC/Trabajo_final")
setwd("C:/Users/dredondo/Dropbox/Transporte_interno/Máster/Ciencia de Datos/MDPC/Trabajo_final")
set.seed(1991)
# ----- Carga de paquetes -----
library(dplyr) # Para usar pipes, select, mutate...
library(VIM) # Para visualizar datos faltantes
# ----- Importación de conjunto de datos -----
# Train
# Se importa el conjunto de datos
train <- read.csv("data/training_set_values.csv",
na.strings = c("", "Unknown", "unknown", "none")
)
trainlabel <- read.csv("data/training_set_labels.csv")
# Se juntan los valores con las etiquetas
train <- merge(train, trainlabel, by = "id")
# Test
# Se importa el conjunto de datos
test <- read.csv("data/test_set_values.csv",
na.strings = c("", "Unknown", "unknown", "none")
)
# ----- Eliminar variables -----
# Variables que se repiten y se pueden eliminar del conjunto de datos
table(train$quality, train$quality_group)
table(train$payment, train$payment_type)
table(train$quantity, train$quantity_group)
train <- train %>% select(-quality_group, -payment_type, -quantity_group)
test <- test %>% select(-quality_group, -payment_type, -quantity_group)
# No exactamente repetidas, pero casi. Eliminamos la variable más general
table(train$waterpoint_type, train$waterpoint_type_group)
train <- train %>% select(-waterpoint_type_group)
test <- test %>% select(-waterpoint_type_group)
# Se eliminan variables que no aportan nada
# recorded_by que sólo tiene un valor, y el id tras comprobar que no hay duplicados
table(train$recorded_by)
table(table(train$id) > 1)
train <- train %>% select(-recorded_by, -id)
test <- test %>% select(-recorded_by, -id)
# ----- Análisis de valores perdidos -----
# Valores perdidos de todo el conjunto
table(is.na(train))
# Valores perdidos de cada variable
train %>%
is.na() %>%
colSums()
# Variables con valores perdidos
names(train)[colSums(is.na(train)) > 0]
# Gráfico con valores perdidos (train)
aggr(train,
col = c("blue", "red"), numbers = TRUE, sortVars = TRUE,
labels = names(train), cex.axis = .7,
cex.numbers = .5, gap = 0,
ylab = c("Histogram of missing data", "Pattern")
)
# Gráfico con valores perdidos (test)
aggr(test,
col = c("blue", "red"), numbers = TRUE, sortVars = TRUE,
labels = names(test), cex.axis = .7,
cex.numbers = .5, gap = 0,
ylab = c("Histogram of missing data", "Pattern")
)
# ----- Creación de nuevas variables -----
# Se extrae el mes de registro (la temperatura podría estar relacionada con status_group)
# Y la fecha se pasa a numérico (está en carácter)
# Train
train <- train %>%
mutate(
date_recorded = as.numeric(as.Date(date_recorded)),
mes = factor(format(as.Date(train$date_recorded), "%b"))
)
# Se vuelve a poner status_group como última variable
train <- train %>% select(-status_group, everything(), status_group)
# Test
test <- test %>%
mutate(
date_recorded = as.numeric(as.Date(date_recorded)),
mes = factor(format(as.Date(test$date_recorded), "%b"))
)
# ----- Reducción de categorías + Recodificación de valores perdidos -----
# Todos los niveles por debajo de este corte, se recodificarán como "Otros"
# Los datos faltantes también se recodifican como "Otros"
# El corte va cambiando en función de la variable a cortar
corte <- 1000
# Reducción de categorías - funder
# Train
niveles_frecuentes_corte <- levels(train$funder)[table(train$funder) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte) # Se muestran los niveles resultantes de la recodificación
v <- factor(train$funder, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros" # Los datos faltantes se pasan a "Otros"
train$funder <- v
# Test
v <- factor(test$funder, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$funder <- v
# Reducción de categorías - lga
niveles_frecuentes_corte <- levels(train$lga)[table(train$lga) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$lga, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$lga <- v
# Test
v <- factor(test$lga, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$lga <- v
# Reducción de categorías - construction_year
train$construction_year <- factor(train$construction_year)
niveles_frecuentes_corte <- levels(train$construction_year)[table(train$construction_year) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$construction_year, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$construction_year <- v
# test
v <- factor(test$construction_year, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$construction_year <- v
# Se rebaja el nivel del corte para permitir más niveles en variables que tienen niveles menos frecuentes
corte <- 500
# Reducción de categorías - installer
niveles_frecuentes_corte <- levels(train$installer)[table(train$installer) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$installer, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$installer <- v
# Test
v <- factor(test$installer, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$installer <- v
# Reducción de categorías - scheme_management
niveles_frecuentes_corte <- levels(train$scheme_management)[table(train$scheme_management) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$scheme_management, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$scheme_management <- v
# Test
v <- factor(test$scheme_management, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$scheme_management <- v
# Reducción de categorías - management
niveles_frecuentes_corte <- levels(train$management)[table(train$management) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$management, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$management <- v
# Test
v <- factor(test$management, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$management <- v
# Reducción de categorías - waterpoint_type
# Es un caso algo especial porque "other" ya es un nivel que supera el corte
niveles_frecuentes_corte <- levels(train$waterpoint_type)[table(train$waterpoint_type) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte), " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$waterpoint_type, levels = c(niveles_frecuentes_corte))
v[is.na(v)] <- "other"
train$waterpoint_type <- v
# test
v <- factor(test$waterpoint_type, levels = c(niveles_frecuentes_corte))
v[is.na(v)] <- "other"
test$waterpoint_type <- v
# Reducción de categorías - extraction_type
niveles_frecuentes_corte <- levels(train$extraction_type)[table(train$extraction_type) > corte]
print(paste0("Se va a restringir a ", length(niveles_frecuentes_corte) + 1, " niveles"))
print(niveles_frecuentes_corte)
v <- factor(train$extraction_type, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
train$extraction_type <- v
# test
v <- factor(test$extraction_type, levels = c(niveles_frecuentes_corte, "Otros"))
v[is.na(v)] <- "Otros"
test$extraction_type <- v
# Quitar variables con 3 niveles o menos que superen el corte de 500 casos
levels(train$wpt_name)[table(train$wpt_name) > corte]
levels(train$num_private)[table(train$num_private) > corte]
levels(train$subvillage)[table(train$subvillage) > corte]
levels(train$region_code)[table(train$region_code) > corte]
levels(train$district_code)[table(train$district_code) > corte]
levels(train$ward)[table(train$ward) > corte]
levels(train$scheme_name)[table(train$scheme_name) > corte]
# train
train <- train %>% select(
-wpt_name, -num_private, -subvillage, -region_code, -district_code,
-ward, -scheme_name
)
# test
test <- test %>% select(
-wpt_name, -num_private, -subvillage, -region_code, -district_code,
-ward, -scheme_name
)
# ----- Exportación del conjunto de datos -----
save(train, file = "data/train.RData")
save(test, file = "data/test.RData")