肖颖为，葛 铭

(杭州电子科技大学信息与控制研究所，浙江杭州310018)

0 引言

目前数据的主要研究方向集中在挖掘技术和算法领域，但现实中的数据错综复杂，对数据的业务理解因人而异，数据源不统一，系统故障，操作不规范等等原因数据将不可避免的存在缺失数据、冗余数据、不一致数据等情况，这些“脏数据”将极大影响整个数据挖掘的建模过程导致错误的模型［1］。大量实践证明，在数据挖掘系统中，数据前期的理解和预处理阶段要花费60%左右的时间，要得到一个准确的模型，高质量的数据是必不可少的，所以在建模前期如何提取数据元信息，如何与专家和业务人员沟通来理解分析数据是非常重要的。而统计方法是强有力的诊断分析工具，能以此来促进挖掘模型中的参数估计、变量的假设检验和其他此类方法的发展［2］，为此，本文提出引入目前在统计学领域发展最快的R语言工具来辅助对数据的理解和预处理，参考业内公认的商业数据挖掘模型CRISP-MD，搭建了一个简单的分析流程，并使用某家电信公司的客户数据进行测试分析，并取得了良好的分析效果。

1 R语言特征

R是一种为统计计算和图形显示而设计的语言环境，是贝尔实验室的Rick Becker，John Chambers和Allan Wilks开发的S语言的一种实现。其主要特点是具备一系列连贯而又完整的数据分析中间工具，拥有一整套数组和矩阵操作运算符能有效地处理保存数据，其图形统计功能可以对数据直接进行分析和显示，加上R是一种面向对象的可编程语言，和其它编程语言、数据库之间有很好的接口［3］。……