大数据分析 - 清理数据

• 

  简述

  一旦收集到数据，我们通常会拥有具有不同特征的不同数据源。最直接的步骤是使这些数据源同质化并继续开发我们的数据产品。但是，这取决于数据的类型。我们应该问自己，同质化数据是否可行。

  可能数据来源完全不同，如果来源同质化，信息损失会很大。在这种情况下，我们可以考虑替代方案。一个数据源可以帮助我建立回归模型，而另一个数据源可以帮助我建立分类模型吗？是否有可能利用我们的优势利用异质性，而不仅仅是丢失信息？做出这些决定使分析变得有趣和具有挑战性。

  在评论的情况下，可以为每个数据源使用一种语言。同样，我们有两个选择 -

  • Homogenization− 它涉及将不同的语言翻译成我们拥有更多数据的语言。翻译服务的质量是可以接受的，但如果我们想用 API 翻译大量数据，成本会很高。有可用于此任务的软件工具，但这也很昂贵。
  • Heterogenization− 是否有可能为每种语言开发解决方案？由于检测语料库的语言很简单，我们可以为每种语言开发一个推荐器。这将涉及根据可用语言的数量调整每个推荐器方面的更多工作，但如果我们有几种可用的语言，这绝对是一个可行的选择。
• 

  推特迷你项目

  在本例中，我们需要首先清理非结构化数据，然后将其转换为数据矩阵，以便对其应用主题建模。一般来说，当从 twitter 获取数据时，有几个字符是我们不感兴趣的，至少在数据清理过程的第一阶段是这样。

  例如，在获得推文后，我们会得到这些奇怪的字符：“<ed><U+00A0><U+00BD><ed><U+00B8><U+008B>”。这些可能是表情符号，因此为了清理数据，我们将使用以下脚本将它们删除。此代码也可在 bda/part1/collect_data/cleaning_data.R 文件中找到。

  
  rm(list = ls(all = TRUE)); gc() # Clears the global environment
  source('collect_data_twitter.R')
  # Some tweets
  head(df$text)
  [1] "I’m not a big fan of turkey but baked Mac &
  cheese <ed><U+00A0><U+00BD><ed><U+00B8><U+008B>"
  [2] "@Jayoh30 Like no special sauce on a big mac. HOW"
  ### We are interested in the text - Let’s clean it!
  # We first convert the encoding of the text from latin1 to ASCII
  df$text <- sapply(df$text,function(row) iconv(row, "latin1", "ASCII", sub = ""))
  # Create a function to clean tweets
  clean.text <- function(tx) {
    tx <- gsub("htt.{1,20}", " ", tx, ignore.case = TRUE)
    tx = gsub("[^#[:^punct:]]|@|RT", " ", tx, perl = TRUE, ignore.case = TRUE)
    tx = gsub("[[:digit:]]", " ", tx, ignore.case = TRUE)
    tx = gsub(" {1,}", " ", tx, ignore.case = TRUE)
    tx = gsub("^\\s+|\\s+$", " ", tx, ignore.case = TRUE)
    return(tx)
  }  
  clean_tweets <- lapply(df$text, clean.text)
  # Cleaned tweets
  head(clean_tweets)
  [1] " WeNeedFeminlsm MAC s new make up line features men woc and big girls "
  [1] " TravelsPhoto What Happens To Your Body One Hour After A Big Mac "
  

  数据清理迷你项目的最后一步是清理文本，我们可以将其转换为矩阵并应用算法。从存储在clean_tweets向量，我们可以很容易地将其转换为词袋矩阵并应用无监督学习算法。