[실무 프로젝트로 배우는...] 데이터 전처리 1 - apply

> Normalization = function(x){
+   y = (x-min(x))/(max(x)-min(x))
+   return(y)
+ }
> 
> ### 2.11 중고차 데이터를 활용한 데이터 전처리 1 - apply    
> 
> # 데이터 불러오기   
> # Download URL : https://www.kaggle.com/adityadesai13/used-car-dataset-ford-and-mercedes
> DIR = "F:/1_Study/1_BigData/12_R/02_Practical-R/Data/"
> Audi = read.csv(paste0(DIR, "audi.csv"),stringsAsFactors = FALSE)
> str(Audi)
'data.frame': 10668 obs. of  9 variables:
 $ model       : chr  " A1" " A6" " A1" " A4" ...
 $ year        : int  2017 2016 2016 2017 2019 2016 2016 2016 2015 2016 ...
 $ price       : int  12500 16500 11000 16800 17300 13900 13250 11750 10200 12000 ...
 $ transmission: chr  "Manual" "Automatic" "Manual" "Automatic" ...
 $ mileage     : int  15735 36203 29946 25952 1998 32260 76788 75185 46112 22451 ...
 $ fuelType    : chr  "Petrol" "Diesel" "Petrol" "Diesel" ...
 $ tax         : int  150 20 30 145 145 30 30 20 20 30 ...
 $ mpg         : num  55.4 64.2 55.4 67.3 49.6 58.9 61.4 70.6 60.1 55.4 ...
 $ engineSize  : num  1.4 2 1.4 2 1 1.4 2 2 1.4 1.4 ...
> head(Audi)
  model year price transmission mileage fuelType tax  mpg engineSize
1    A1 2017 12500       Manual   15735   Petrol 150 55.4        1.4
2    A6 2016 16500    Automatic   36203   Diesel  20 64.2        2.0
3    A1 2016 11000       Manual   29946   Petrol  30 55.4        1.4
4    A4 2017 16800    Automatic   25952   Diesel 145 67.3        2.0
5    A3 2019 17300       Manual    1998   Petrol 145 49.6        1.0
6    A1 2016 13900    Automatic   32260   Petrol  30 58.9        1.4
> 
> 
> #### 2.11.1 데이터 연산 동시 처리    
> 
> # apply
> Audi_S = Audi[,c("year","price","mileage","mpg")]
> Audi_S2 = Normalization(Audi_S)
> summary(Audi_S2)
      year              price            mileage             mpg           
 Min.   :0.006180   Min.   :0.00461   Min.   :0.00000   Min.   :5.542e-05  
 1st Qu.:0.006238   1st Qu.:0.04684   1st Qu.:0.01848   1st Qu.:1.235e-04  
 Median :0.006242   Median :0.06254   Median :0.05882   Median :1.505e-04  
 Mean   :0.006242   Mean   :0.07088   Mean   :0.07686   Mean   :1.541e-04  
 3rd Qu.:0.006248   3rd Qu.:0.08665   3rd Qu.:0.11289   3rd Qu.:1.793e-04  
 Max.   :0.006251   Max.   :0.44891   Max.   :1.00000   Max.   :5.799e-04  
> # 정상적인 결과에서는 각 변수에 대해 최소값(min)은 0, 최대값(Max)은 1로 출력되야 하는데,
> # 현재 출력된 결과는 4개의 변수에 대해 하나만 0,1 값을 출력함.
> # 이를 제대로 수정하려면 변수별로 차례대로 계산해야 함.
> 
> R_Matrix = matrix(data = 0, 
+                   nrow = nrow(Audi_S),
+                   ncol = ncol(Audi_S))
> 
> for(k in 1:ncol(Audi_S)){
+   R_Matrix[,k] = Normalization(Audi_S[,k])
+ }
> 
> R_DF = as.data.frame(R_Matrix)
> summary(R_DF)
       V1               V2                V3                V4        
 Min.   :0.0000   Min.   :0.00000   Min.   :0.00000   Min.   :0.0000  
 1st Qu.:0.8261   1st Qu.:0.09505   1st Qu.:0.01848   1st Qu.:0.1299  
 Median :0.8696   Median :0.13037   Median :0.05882   Median :0.1812  
 Mean   :0.8739   Mean   :0.14917   Mean   :0.07686   Mean   :0.1881  
 3rd Qu.:0.9565   3rd Qu.:0.18466   3rd Qu.:0.11289   3rd Qu.:0.2361  
 Max.   :1.0000   Max.   :1.00000   Max.   :1.00000   Max.   :1.0000  
> 
> R_DF2 = as.data.frame(apply(Audi_S, MARGIN = 2, FUN = Normalization))

> # MARGIN=2 옵션은 함수를 열별로 연산한다는 의미, 1은 행별로 연산
> summary(R_DF2)
      year            price            mileage             mpg        
 Min.   :0.0000   Min.   :0.00000   Min.   :0.00000   Min.   :0.0000  
 1st Qu.:0.8261   1st Qu.:0.09505   1st Qu.:0.01848   1st Qu.:0.1299  
 Median :0.8696   Median :0.13037   Median :0.05882   Median :0.1812  
 Mean   :0.8739   Mean   :0.14917   Mean   :0.07686   Mean   :0.1881  
 3rd Qu.:0.9565   3rd Qu.:0.18466   3rd Qu.:0.11289   3rd Qu.:0.2361  
 Max.   :1.0000   Max.   :1.00000   Max.   :1.00000   Max.   :1.0000  
> 
> # lapply
> R_DF3 = as.data.frame(lapply(Audi_S, Normalization))
> summary(R_DF3)
      year            price            mileage             mpg        
 Min.   :0.0000   Min.   :0.00000   Min.   :0.00000   Min.   :0.0000  
 1st Qu.:0.8261   1st Qu.:0.09505   1st Qu.:0.01848   1st Qu.:0.1299  
 Median :0.8696   Median :0.13037   Median :0.05882   Median :0.1812  
 Mean   :0.8739   Mean   :0.14917   Mean   :0.07686   Mean   :0.1881  
 3rd Qu.:0.9565   3rd Qu.:0.18466   3rd Qu.:0.11289   3rd Qu.:0.2361  
 Max.   :1.0000   Max.   :1.00000   Max.   :1.00000   Max.   :1.0000  

 

 

 

 

 

 

출처 : 실무 프로젝트로 배우는 데이터 분석 with R