Comprobar pertenencia

Limpieza de datos en R

Maggie Matsui

Content Developer @ DataCamp

Datos categóricos

Las variables categóricas tienen un conjunto de valores posibles fijo y conocido

Datos	Valores de ejemplo
Estado civil	`unmarried`, `married`
Rango de ingresos del hogar	`0-20K`, `20-40K`, ...
Talla de camiseta	`S`, `M`, `L`, `XL`

Factores

En un factor, cada categoría se almacena como un número y tiene una etiqueta correspondiente

Datos	Etiquetas	Representación numérica
Estado civil	`unmarried`, `married`	`1`, `2`
Rango de ingresos del hogar	`0-20K`, `20-40K`, ...	`1`, `2`, ...
Talla de camiseta	`S`, `M`, `L`, `XL`	`1`, `2`, `3`, `4`

Niveles de un factor

tshirt_size

L  XL XL L  M  M  M  L  XL L  S  M  M  S  S  M  XL S  L  S ... 
Levels: S M L XL

levels(tshirt_size)

"S"  "M"  "L"  "XL"

Valores que no pertenecen

Los factors no pueden tener valores fuera de los predefinidos

Datos	Niveles	No permitido
Estado civil	`unmarried`, `married`	`divorced`
Rango de ingresos del hogar	`0-20K`, `20-40K`, ...	`10-30K`
Talla de camiseta	`S`, `M`, `L`, `XL`	`S/M`

¿Cómo acabamos con estos valores?

A la izquierda, errores de introducción de datos representados por un cuadro de texto con cursor para texto libre y un menú desplegable. A la derecha, errores de parseo representados por una base de datos.

Filtering joins: repaso rápido

Conserva o elimina observaciones de la primera tabla sin añadir columnas

Título: Semi-join. Subtítulo: ¿Qué observaciones de X también están en Y? A la izquierda, una tabla de una columna llamada X con valores a, b y c. A la derecha, una tabla de una columna llamada Y con valores a, c y d. Las a y c de cada tabla están conectadas con líneas. En X, las celdas de a y c están resaltadas.

Filtering joins: repaso rápido

Conserva o elimina observaciones de la primera tabla sin añadir columnas

Título: Anti-join. Subtítulo: ¿Qué observaciones de X no están en Y? A la izquierda, una tabla de una columna llamada X con valores a, b y c. A la derecha, una tabla de una columna llamada Y con valores a, c y d. Las a y c de cada tabla están conectadas con líneas. En X, la celda de b está resaltada.

Ejemplo de tipos de sangre

study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

blood_types

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Ejemplo de tipos de sangre

study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+  <--
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

blood_types

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Buscar no miembros

Diagrama de Venn. El círculo izquierdo representa study_data y el derecho, blood_types. A la izquierda está Z+. En la intersección: A-, O-, AB+, A+, O+ y B-. A la derecha: B+ y AB-. El Z+ de la izquierda está en rojo.

Anti-join

study_data %>%
  anti_join(blood_types, by = "blood_type")

      name   birthday blood_type
1 Jennifer 2019-12-17         Z+

Eliminar no miembros

Diagrama de Venn. El círculo izquierdo representa study_data y el derecho, blood_types. A la izquierda está Z+. En la intersección: A-, O-, AB+, A+, O+ y B-. Los tipos de sangre de la intersección están en azul.

Semi-join

study_data %>%
  semi_join(blood_types, by = "blood_type")

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5  Kennedy 2020-04-27         A+
6    Keith 2019-04-19        AB+

¡Vamos a practicar!

Limpieza de datos en R