8、探索性数据分析与建模：从数据清理到神经网络应用

探索性数据分析与建模：从数据清理到神经网络应用

在数据科学领域，数据清理、分析和建模是一系列关键步骤，能帮助我们从原始数据中提取有价值的信息。本文将详细介绍如何对采购申请数据进行处理，包括数据类型调整、缺失值处理、数据探索、特征分析以及使用 TensorFlow 和 Keras 构建神经网络模型。

数据清理

在处理数据时，首先要确保数据类型的正确性。对于数值或整数列，应避免将其存储为字符类型。以下是具体操作步骤：
1. 调整数据类型 ：

pr$deletion <- as.integer(pr$deletion)
pr$Qty.Requested <- as.numeric(pr$Qty.Requested)
pr$Valn.Price <- as.numeric(pr$Valn.Price)
pr$Net.Price <- as.numeric(pr$Net.Price)

2. 处理缺失值 ：将数值列中的 NA 值替换为 0。

pr[,c("Qty.Requested", "Valn.Price", "Net.Price")] <-
   apply(pr[,c("Qty.Requested", "Valn.Price", "Net.Price")], 2,
        function(x){replace(x, is.na(x), 0)})