CASO: BANCO “PERUBANK”

“PERUBANK” Es una institución financiera que cuenta con miles de clientes en todo el territorio nacional, esta organización brinda un conjunto de servicios a personas o empresas. En uno de sus servicios sobre préstamos personales en su cartera de clientes se registra y se hace seguimiento de los prestamos ofrecidos a tales clientes. Para la institución es importante evaluar la morosidad de los prestamos brindados, por lo que registra los datos y el seguimiento que se realiza durante un periodo. Los datos de “Ejemplo_banco_missing.csv” corresponden a los registros de los clientes que solicitaron un préstamo y si este fue cancelado o terminó en mora, en este ejemplo las variables que se toman en cuenta son: • Sexo: El género del cliente • Fono: Si el cliente tiene teléfono personal • Edad: Edad del cliente • Hijos: Número de hijos del cliente • Garante: Si el cliente cuenta con garante • Aval: Si el cliente avala algún préstamo • Meses: Meses que el cliente registra en la institución • Renta: Renta del cliente • Mora: Resultado del prestamos (si fue mora o no)

#Cargamos Datos

#Cargar
banco<-read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Estadistica-R/master/Ejemplo_banco_missing.csv", 
                    sep = ";" , stringsAsFactors = TRUE)
head(banco)
##        sexo fono edad hijos garante aval meses renta mora
## 1 Masculino   Si   44     3      Si   Si    63  Fija   No
## 2 Masculino   Si   77     4      Si   No    62  Fija   Si
## 3 Masculino   No   59     5      No   Si    59  Fija   Si
## 4 Masculino   No   35     5      Si   Si    58  Fija   Si
## 5 Masculino   Si   65     0      No   Si    56  Fija   No
## 6  Femenino   Si   66     1      No   No    54  Fija   No

#Verficamos

which(colSums(is.na(banco))!=0)
##  edad hijos meses 
##     3     4     7

Realizar el analisis utilizando librerias

library(VIM)
library(mice)
missingraf=aggr(banco,numbers=T)

summary(missingraf)
## 
##  Missings per variable: 
##  Variable Count
##      sexo     0
##      fono     0
##      edad     5
##     hijos     2
##   garante     0
##      aval     0
##     meses     2
##     renta     0
##      mora     0
## 
##  Missings in combinations of variables: 
##       Combinations Count Percent
##  0:0:0:0:0:0:0:0:0    91      91
##  0:0:0:0:0:0:1:0:0     2       2
##  0:0:0:1:0:0:0:0:0     2       2
##  0:0:1:0:0:0:0:0:0     5       5

#Matrizxplot

matrixplot(banco)

banco[38:45,]
##         sexo fono edad hijos garante aval meses    renta mora
## 38  Femenino   No   57     5      Si   Si    43     Fija   Si
## 39 Masculino   No   61     0      Si   Si    43     Fija   No
## 40 Masculino   Si   61     0      Si   No    43 Variable   No
## 41 Masculino   No   66     2      Si   No    43     Fija   No
## 42 Masculino   No   67     0      Si   Si    NA     Fija   No
## 43 Masculino   No   NA     1      No   Si    43     Fija   Si
## 44 Masculino   No   75     0      Si   Si    43     Fija   No
## 45 Masculino   No   60     5      Si   Si    42     Fija   Si

Otras presentaciones

library(mice)
md.pattern(banco,rotate.names = T)

##    sexo fono garante aval renta mora hijos meses edad  
## 91    1    1       1    1     1    1     1     1    1 0
## 5     1    1       1    1     1    1     1     1    0 1
## 2     1    1       1    1     1    1     1     0    1 1
## 2     1    1       1    1     1    1     0     1    1 1
##       0    0       0    0     0    0     2     2    5 9

Libreria visdat

library(visdat)
vis_dat(banco)

Columnas en %

vis_miss(banco)

#Correcion con Missing Eliminar filas o columnas

banco_corregido1<- na.omit(banco)
which(colSums(is.na(banco_corregido1))!=0)
## named integer(0)
## named integer(0)

Libreria DMWR2

library(DMwR2)
banco_corregido2 <-centralImputation(banco) #DMWR2, mediana (numerico), moda (no numerico)
str(banco_corregido2)
## 'data.frame':    100 obs. of  9 variables:
##  $ sexo   : Factor w/ 3 levels "","Femenino",..: 3 3 3 3 3 2 2 3 3 3 ...
##  $ fono   : Factor w/ 2 levels "No","Si": 2 2 1 1 2 2 2 1 2 1 ...
##  $ edad   : int  44 77 59 35 65 66 73 73 74 75 ...
##  $ hijos  : num  3 4 5 5 0 1 5 0 0 1 ...
##  $ garante: Factor w/ 2 levels "No","Si": 2 2 1 2 1 1 2 1 1 2 ...
##  $ aval   : Factor w/ 3 levels "","No","Si": 3 2 3 3 3 2 3 2 3 3 ...
##  $ meses  : num  63 62 59 58 56 54 53 53 53 53 ...
##  $ renta  : Factor w/ 3 levels "","Fija","Variable": 2 2 2 2 2 2 2 2 2 2 ...
##  $ mora   : Factor w/ 2 levels "No","Si": 1 2 2 2 1 1 2 1 1 2 ...
which(colSums((is.na(banco_corregido2)))!= 0)
## named integer(0)

Libreria VIM

banco_corregido3 <- initialise(banco, method = "median") #media (contunuos) mediana (disretos), moda(no numerico)
str(banco_corregido3)
## 'data.frame':    100 obs. of  9 variables:
##  $ sexo   : Factor w/ 3 levels "","Femenino",..: 3 3 3 3 3 2 2 3 3 3 ...
##  $ fono   : Factor w/ 2 levels "No","Si": 2 2 1 1 2 2 2 1 2 1 ...
##  $ edad   : int  44 77 59 35 65 66 73 73 74 75 ...
##  $ hijos  : num  3 4 5 5 0 1 5 0 0 1 ...
##  $ garante: Factor w/ 2 levels "No","Si": 2 2 1 2 1 1 2 1 1 2 ...
##  $ aval   : Factor w/ 3 levels "","No","Si": 3 2 3 3 3 2 3 2 3 3 ...
##  $ meses  : num  63 62 59 58 56 54 53 53 53 53 ...
##  $ renta  : Factor w/ 3 levels "","Fija","Variable": 2 2 2 2 2 2 2 2 2 2 ...
##  $ mora   : Factor w/ 2 levels "No","Si": 1 2 2 2 1 1 2 1 1 2 ...
#Verificar columnas
which(colSums(is.na(banco_corregido3))!= 0)
## named integer(0)

Imputacion

library(DMwR2)
banco_corregido4 <- knnImputation(banco, k=10)
dim(banco_corregido4)
## [1] 100   9