Lidmaatschap controleren

Data opschonen in R

Maggie Matsui

Content Developer @ DataCamp

Categorische data

Categorische variabelen hebben een vaste, bekende set mogelijke waarden

Gegevens	Voorbeeldwaarden
Huwelijkse status	`unmarried`, `married`
Inkomenscategorie huishouden	`0-20K`, `20-40K`, ...
T-shirtmaat	`S`, `M`, `L`, `XL`

Factors

In een factor wordt elke categorie als een getal opgeslagen en heeft een bijbehorend label

Gegevens	Labels	Numerieke weergave
Huwelijkse status	`unmarried`, `married`	`1`, `2`
Inkomenscategorie huishouden	`0-20K`, `20-40K`, ...	`1`, `2`, ...
T-shirtmaat	`S`, `M`, `L`, `XL`	`1`, `2`, `3`, `4`

Factorlevels

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"

Waarden die niet passen

factors kunnen geen waarden hebben buiten de vooraf gedefinieerde set

Gegevens	Levels	Niet toegestaan
Huwelijkse status	`unmarried`, `married`	`divorced`
Inkomenscategorie huishouden	`0-20K`, `20-40K`, ...	`10-30K`
T-shirtmaat	`S`, `M`, `L`, `XL`	`S/M`

Hoe krijgen we deze waarden?

Links: invoerfouten voorgesteld door een tekstvak met cursor voor vrije tekst en een vervolgkeuzemenu. Rechts: parsefouten voorgesteld door een database.

Filter-joins: korte herhaling

Behoudt of verwijdert observaties uit de eerste tabel zonder kolommen toe te voegen

Titel: Semi-join. Ondertitel: Welke observaties van X staan ook in Y? Links een eenkolomstabel X met waarden a, b en c. Rechts een eenkolomstabel Y met waarden a, c en d. De a's en c's in elke tabel zijn met lijnen verbonden. In X zijn de cellen voor a en c gemarkeerd.

Filter-joins: korte herhaling

Behoudt of verwijdert observaties uit de eerste tabel zonder kolommen toe te voegen

Titel: Anti-join. Ondertitel: Welke observaties van X staan niet in Y? Links een eenkolomstabel X met waarden a, b en c. Rechts een eenkolomstabel Y met waarden a, c en d. De a's en c's in elke tabel zijn met lijnen verbonden. In X is de cel voor b gemarkeerd.

Voorbeeld: bloedgroep

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-

Voorbeeld: bloedgroep

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-

Niet-leden vinden

Venn-diagram. Linkercirkel stelt study_data voor en rechtercirkel blood types. Links staat Z+. In het midden A-, O-, AB+, A+, O+ en B-. Rechts B+ en AB-. De Z+ links is rood gemarkeerd.

Anti-join

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

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

Niet-leden verwijderen

Venn-diagram. Linkercirkel stelt study_data voor en rechtercirkel blood types. Links staat Z+. In het midden A-, O-, AB+, A+, O+ en B-. Rechts B+ en AB-. De bloedgroepen in het midden zijn blauw gemarkeerd.

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+

Laten we oefenen!

Data opschonen in R