Completitud

Limpieza de datos en R

Maggie Matsui

Content Developer @ DataCamp

¿Qué son los datos faltantes?

Un puzle completo con una pieza que falta. Descripción: Ocurre cuando no se almacena ningún valor para una variable en una observación.

Se puede representar como NA, nan, 0, 99, . ...

¿Qué son los datos faltantes?

Se puede representar como NA, nan, 0, 99, . ...

Un robot que representa errores técnicos.

¿Qué son los datos faltantes?

Se puede representar como NA, nan, 0, 99, . ...

Una figura humana que representa error humano.

Calidad del aire

head(airquality)

   Ozone Solar.R Wind Temp Month Day
1     41     190  7.4   67     5   1
2     36     118  8.0   72     5   2
3     12     149 12.6   74     5   3
4     18     313 11.5   62     5   4
5     NA      NA 14.3   56     5   5
6     28      NA 14.9   66     5   6

Calidad del aire

head(airquality)

   Ozone Solar.R Wind Temp Month Day
1     41     190  7.4   67     5   1
2     36     118  8.0   72     5   2
3     12     149 12.6   74     5   3
4     18     313 11.5   62     5   4
5     NA      NA 14.3   56     5   5
6     28      NA 14.9   66     5   6

Encontrar valores faltantes

is.na(airquality)

     Ozone Solar.R  Wind  Temp Month   Day
[1,] FALSE   FALSE FALSE FALSE FALSE FALSE
[2,] FALSE   FALSE FALSE FALSE FALSE FALSE
[3,] FALSE   FALSE FALSE FALSE FALSE FALSE
[4,] FALSE   FALSE FALSE FALSE FALSE FALSE
[5,]  TRUE    TRUE FALSE FALSE FALSE FALSE
[6,] FALSE    TRUE FALSE FALSE FALSE FALSE

Contar valores faltantes

# Count missing vals in entire dataset
sum(is.na(airquality))

Visualizar valores faltantes

library(visdat)
vis_miss(airquality)

Visualización creada desde el código. La columna más a la izquierda tiene más líneas negras y la segunda columna casi tantas. Ninguna otra columna tiene líneas negras.

Investigar la ausencia de datos

airquality %>%
  mutate(miss_ozone = is.na(Ozone)) %>%

  group_by(miss_ozone) %>%
  summarize(across(everything(), median, na.rm = TRUE))

  miss_ozone Ozone Solar.R  Wind  Temp Month   Day
  <lgl>      <dbl>   <int> <dbl> <dbl> <dbl> <dbl>
1 FALSE       31.5     207   9.7    65     7    16
2 TRUE        NA       194   9.7    99     6    15

Investigar la ausencia de datos

airquality %>%
  arrange(Temp) %>%
  vis_miss()

Misma visualización que antes, pero en la columna izquierda (Ozone) todos los valores faltantes están al final.

Tipos de datos faltantes

Izquierda: un dado de seis caras para representar «faltan completamente al azar». Centro: un dado de seis caras con solo un punto en cada cara para «faltan al azar». Derecha: cuatro cuadrados apuntándose en ciclo para «faltan no al azar».

Tipos de datos faltantes

Faltan completamente al azar: no hay relación sistemática entre los datos faltantes y otros valores. Ejemplo: errores al introducir datos.

Tipos de datos faltantes

Faltan al azar: relación sistemática entre los datos faltantes y otros valores observados. Ejemplo: datos de ozono faltantes con temperaturas altas.

Tipos de ausencia de datos

Faltan no al azar: relación sistemática entre los datos faltantes y valores no observados. Ejemplo: valores de temperatura faltantes para temperaturas altas.

Cómo tratar datos faltantes

Enfoques simples:

Eliminar datos faltantes
Imputar (rellenar) con medidas estadísticas (media, mediana, moda...) o conocimiento del dominio

Enfoques más complejos:

Imputar con un enfoque algorítmico
Imputar con modelos de Machine Learning

Más información en Dealing with Missing Data in R

Eliminar valores faltantes

airquality %>%
  filter(!is.na(Ozone), !is.na(Solar.R))

   Ozone Solar.R  Wind  Temp Month   Day
   <int>   <int> <dbl> <int> <int> <int>
 1    41     190   7.4    67     5     1
 2    36     118     8    72     5     2
 3    12     149  12.6    74     5     3
 4    18     313  11.5    62     5     4
 5    23     299   8.6    65     5     7
 6    19      99  13.8    59     5     8

Reemplazar valores faltantes

airquality %>%
  mutate(ozone_filled = ifelse(is.na(Ozone), mean(Ozone, na.rm = TRUE), Ozone))

   Ozone Solar.R  Wind  Temp Month   Day ozone_filled
   <int>   <int> <dbl> <int> <int> <int>        <dbl>
 1    41     190   7.4    67     5     1         41  
 2    36     118   8      72     5     2         36  
 3    12     149  12.6    74     5     3         12  
 4    18     313  11.5    62     5     4         18  
 5    NA      NA  14.3    56     5     5         42.1

¡Vamos a practicar!

Limpieza de datos en R