Vincoli sui tipi di dati

Pulizia dei dati in R

Maggie Matsui

Content Developer @ DataCamp

Struttura del corso

Server con lente di ingrandimento e "diagnose dirty data"

Struttura del corso

Server con insetto e "side effects of dirty data"

Struttura del corso

Database rotondo con scopa e scintille per dati puliti

Struttura del corso

Diagnosing dirty data, side effects of dirty data, and cleaning dirty data

Capitolo 1 - Problemi comuni nei dati

Perché servono dati puliti?

Flusso di lavoro data science: accedi ai dati, esplora e prepara i dati, estrai insight, comunica insight

Perché servono dati puliti?

Errore umano e tecnico

Perché servono dati puliti?

Gli errori si propagano nel flusso di lavoro

Vincoli sui tipi di dati

Tipo di dato	Esempio
Testo	Nome, cognome, indirizzo, ...
Intero	Numero abbonati, # prodotti venduti, ...
Decimale	Temperatura, tasso di cambio, ...
Binario	Sposato, nuovo cliente, sì/no, ...
Categoria	Stato civile, colore, ...
Data	Data ordine, data di nascita, ...

Tipo R
`character`
`integer`
`numeric`
`logical`
`factor`
`Date`

Uno sguardo ai tipi di dati

sales <- read.csv("sales.csv")
head(sales)

  order_id revenue quantity
1     7432   5,454      494
2     7808   5,668      334
3     4893   4,062      259
4     6107   3,936       15
5     7661   1,067      307
6     5908   6,635      235

library(dplyr)
glimpse(sales)

Observations: 100
Variables: 3
$ order_id <dbl> 7432, 7808, ...
$ revenue  <chr> "$5454", "$5668", ...
$ quantity <dbl> 494, 334, ...

Verificare i tipi di dati

is.numeric(sales$revenue)

FALSE

library(assertive)
assert_is_numeric(sales$revenue)

Error: is_numeric : sales$revenue is not of class 'numeric'; it has class 'character'.

assert_is_numeric(sales$quantity)

Verificare i tipi di dati

Verifica logica - restituisce TRUE/FALSE

is.character()
is.numeric()
is.logical()
is.factor()
is.Date()
...

Verifica con assertive - errore quando FALSE

assert_is_character()
assert_is_numeric()
assert_is_logical()
assert_is_factor()
assert_is_date()
...

Perché il tipo di dato conta?

class(sales$revenue)

"character"

mean(sales$revenue)

NA
Warning message:
In mean.default(sales$revenue) :
  argument is not numeric or logical: returning NA

Problemi con le virgole

sales$revenue

"5,454" "5,668" "4,062" "3,936" "1,067" ...

Da carattere a numero

library(stringr)
revenue_trimmed = str_remove(sales$revenue, ",")

revenue_trimmed

"5454" "5668" "4062" "3936" "1067" ...

as.numeric(revenue_trimmed)

5454 5668 4062 3936 1067 ...

Mettere insieme i passaggi

sales %>%
  mutate(revenue_usd = as.numeric(str_remove(revenue, ",")))

# A tibble: 100 x 4
   order_id revenue quantity revenue_usd
      <dbl> <chr>      <dbl>       <dbl>
 1     7432 5,454        494        5454
 2     7808 5,668        334        5668
 3     4893 4,062        259        4062
 4     6107 3,936         15        3936
 5     7661 1,067        307        1067
# ... with 95 more rows

Stessa funzione, risultati diversi

mean(sales$revenue)

NA
Warning message:
In mean.default(sales$revenue) :
  argument is not numeric or logical: returning NA

mean(sales$revenue_usd)

5361.4

Convertire i tipi di dati

as.character()
as.numeric()
as.logical()
as.factor()
as.Date()
...

Attenzione: da factor a numeric

product_type

1000 1000 3000 2000 3000
Levels: 1000 2000 3000

class(product_type)

"factor"

as.numeric(product_type)

1 1 3 2 3

as.numeric(as.character(product_type))

1000 1000 3000 2000 3000

Esercitiamoci!

Pulizia dei dati in R