13_電商女鞋消費分析_先來個傳說中的資料清理吧!

 資料集來自Kaggle網站，該網站主要由企業或研究者將資料集PO到該平台，資料由資料科學的愛好者進行建模、分析、預測並將結果進行競賽並獲得獎金，在2017年被谷哥大神買下，所以資料集都是合法並真實。

本次的資料集是店商網站女鞋的相關資訊，先用Execl開啟來看一下

看到都暈了!還是先關起開R比較實在，並將資料集導入至R，並觀看資料結構

library(ggplot2)

library(dplyr)

shoes <- read.csv("D:/工作區/我的筆記/程式筆記/R/Ironman Challenge/shoes/7210_1.csv",

                  stringsAsFactors=FALSE,

                  sep=",",encoding="UTF-8",na.strings=NA,fill=TRUE)

str(shoes)

可以看到該資料集有33,799筆資料52個變數，以及變數的資料型態，看一下資料表

View(shoes)

看起來舒服多了!順便研究哪一些變數可以刪除，而本次的刪除原則如下

1.與本分析毫無相關欄位如條碼、產品影像路徑、功能目錄等等。

2.需要其他資料集關聯才能分析的欄位刪除。

3.變數內幾乎都是空值沒有分析的意義

shoes <- shoes[,-c(2,6,9:16,18:20,23:24,26,28:30,32:35,37:41,43:50)]

此時觀看資料表，發現後面有x2和x3變數，判斷應該將資料匯R中自動產生，當然也是刪除

shoes <- shoes[,-c(15:16)]

str(shoes)

View(shoes)

所以目前有14個變數，刪除變數在資料探勘中稱之為降維，若你的維度太大會造成計算的成本增加及影響模型的準確度，當然如何刪除變數是依據你的分析需求而定，而目前的預測模型的語言都會建議你選擇變數的套件，這是題外話了!所以我們將這14個變數整理如下表

將變數整理完成後，我個人覺得還可以在刪但就先這樣吧並不會影響分析；在上面以大手術一刀切掉36個變數。

下一篇看列也就是筆數裡面是否有不合理之處!今天線到這邊