Evaluación y tratamiento de missig
Gibbsson Farias Castillo
2023-12-22
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)
Con esta información se solicita realizar un analizar la morosidad de los créditos brindados
# Cargar conjunto de datos
banco<-read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Estadistica-R/master/Ejemplo_banco_missing.csv",
sep = ";" , stringsAsFactors = TRUE)# Mostrar
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 Nostr(banco)## '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 : int 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 : int 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 ...1. VERIFICACIÓN DE VALORES PERDIDOS
# Verificar columnas con missing
which(colSums(is.na(banco))!= 0)## edad hijos meses
## 3 4 7Realizar el análisis utilizando librerias
library(VIM)
library(mice)
resumen_missing <- aggr(banco, numbers=T)
summary(resumen_missing)##
## 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 5Para determinar mejor lo patrones de comportamiento de missing se puede utilizar la siguiente función
library(VIM)
matrixplot(banco)
otra representación
#Con librería mice
library(mice)
md.pattern(banco, rotate.names = TRUE)
## 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 9La librería visdat permite visualizar missing pero los ordena por tipo de datos
library(visdat)
vis_dat(banco)
Para obtener columnas con porcentajes de missing
vis_miss(banco)
2. Corrección de missing
2.1 Eliminar filas o columnas con missin (es recomendable optar por eliminar columnas si el % de missing esta por arriba de 15% <para ralgunos expertos 30%>)
solo para este ejemplo se va a eliminar filas:
banco_corregido1 <- na.omit(banco)
str(banco_corregido1)## 'data.frame': 91 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 : int 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 : int 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 ...
## - attr(*, "na.action")= 'omit' Named int [1:9] 20 37 42 43 58 62 84 87 97
## ..- attr(*, "names")= chr [1:9] "20" "37" "42" "43" ...# Verificar columnas con missing
which(colSums(is.na(banco_corregido1))!= 0)## named integer(0)2.2 Aplicando técnicas de imputación
Imputación por medidas de tendencia central
library(DMwR2)
banco_corregido2<-centralImputation(banco) #DMwR, mediana (númerico), moda(no númerico)
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 ...# Verificar columnas con missing
which(colSums(is.na(banco_corregido2))!= 0)## named integer(0)Utilizando otra librería para imputar datos
library(VIM)
banco_corregido3 <- initialise(banco, method = "median") #media (continuos) mediana (discretos), moda(no númerico)
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 con missing
which(colSums(is.na(banco_corregido3))!= 0)## named integer(0)Imputación utilizando vecinos más cercanos
library(DMwR2)
banco_corregido4<-knnImputation(banco, k=10)
str(banco_corregido4)## '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 : num 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 con missing
which(colSums(is.na(banco_corregido4))!= 0)## named integer(0)