一意性制約

Rでのデータクリーニング

Maggie Matsui

Content Developer @ DataCamp

重複とは？

名 姓 住所 クレジットスコア
1 Miriam Day 6042 Sollicitudin Avenue 313
2 Miriam Day 6042 Sollicitudin Avenue 313

 

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit St 356
2 Tamekah Forbes P.O. Box 147, 511 Velit St 342
Rでのデータクリーニング

重複はなぜ起きるか

データ表を表示するコンピュータ画面。データ入力と人的ミス

Rでのデータクリーニング

重複はなぜ起きるか

バグが表示されたコンピュータ。バグと設計ミス

Rでのデータクリーニング

重複はなぜ起きるか

5つのデータベースが円になり、中央の大きなデータベースに矢印が向く。結合やマージの誤り

Rでのデータクリーニング

完全重複

名 姓 住所 クレジットスコア
1 Harper Taylor P.O. Box 212, 6557 Nunc Road 655
2 Miriam Day 6042 Sollicitudin Avenue 313
3 Eagan Schmidt 507-6740 Cursus Avenue 728
4 Miriam Day 6042 Sollicitudin Avenue 313
5 Katell Roy Ap #434-4081 Mi Av. 455
6 Katell Roy Ap #434-4081 Mi Av. 455
... ... ... ... ...
Rでのデータクリーニング

完全重複の検出

duplicated(credit_scores)

FALSE FALSE FALSE TRUE FALSE ...

sum(duplicated(credit_scores))

2
Rでのデータクリーニング

完全重複の検出

filter(credit_scores, duplicated(credit_scores))

  first_name last_name                  address credit_score
1     Miriam       Day 6042 Sollicitudin Avenue          313
2     Katell       Roy      Ap #434-4081 Mi Av.          455
Rでのデータクリーニング

完全重複の削除

credit_scores_unique <- distinct(credit_scores)

sum(duplicated(credit_scores_unique))

0
Rでのデータクリーニング

部分重複

名 姓 住所 クレジットスコア
1 Harper Taylor P.O. Box 212, 6557 Nunc Road 655
2 Eagan Schmidt 507-6740 Cursus Avenue 728
3 Tamekah Forbes P.O. Box 147, 511 Velit Street 356
4 Tamekah Forbes P.O. Box 147, 511 Velit Street 342
5 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620
6 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 636
... ... ... ... ...
Rでのデータクリーニング

部分重複の検出

credit_scores %>%

  count(first_name, last_name) %>%

  filter(n > 1)

  first_name last_name     n
  <fct>      <fct>     <int>
1 Katell     Roy           2
2 Miriam     Day           2
3 Tamekah    Forbes        2
4 Xandra     Barrett       2
Rでのデータクリーニング

部分重複の検出

dup_ids <- credit_scores %>%
  count(first_name, last_name) %>%
  filter(n > 1)

credit_scores %>%
  filter(first_name %in% dup_ids$first_name,  last_name %in% dup_ids$last_name)

  first_name last_name                           address credit_score
1     Xandra   Barrett  P.O. Box 309, 2462 Pharetra, Rd.          620
2    Tamekah    Forbes    P.O. Box 147, 511 Velit Street          356
3     Miriam       Day          6042 Sollicitudin Avenue          313
4     Xandra   Barrett  P.O. Box 309, 2462 Pharetra, Rd.          636
5    Tamekah    Forbes    P.O. Box 147, 511 Velit Street          342
...
Rでのデータクリーニング

部分重複の処理：削除

重複を1件を残して削除する

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356
2 Tamekah Forbes P.O. Box 147, 511 Velit Street 342
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620
4 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 636
Rでのデータクリーニング

部分重複の処理：削除

重複を1件を残して削除する

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356
2
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620
4
Rでのデータクリーニング

部分重複の処理：削除

重複を1件を残して削除する

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620
Rでのデータクリーニング

部分重複の削除

credit_scores %>%
  distinct(first_name, last_name, .keep_all = TRUE)

    first_name   last_name                                address credit_score
1       Harlan      Hebert             P.O. Box 356, 3869 Non Av.          305
2        Drake        Soto                     643-1409 Ac Avenue          642
3        Felix     Morales                     741-1497 Velit Ave          780
4       Brynne     Charles                  313-3757 Ultrices St.          513
5       Aquila      Dillon      P.O. Box 945, 5550 Aliquam Street          748
...
Rでのデータクリーニング

部分重複の処理：集約

異なる値は統計要約関数で集約（mean(), max() など）

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356
2 Tamekah Forbes P.O. Box 147, 511 Velit Street 342
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620
4 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 636
Rでのデータクリーニング

部分重複の処理：集約

異なる値は統計要約関数で集約（mean(), max() など）

名 姓 住所 クレジットスコア 平均スコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356 349
2 Tamekah Forbes P.O. Box 147, 511 Velit Street 342
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620 628
4 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 636
Rでのデータクリーニング

部分重複の処理：集約

異なる値は統計要約関数で集約（mean(), max() など）

名 姓 住所 クレジットスコア 平均スコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 356 349
2
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 620 628
4
Rでのデータクリーニング

部分重複の処理：集約

異なる値は統計要約関数で集約（mean(), max() など）

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 349
2
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 628
4
Rでのデータクリーニング

部分重複の処理：集約

異なる値は統計要約関数で集約（mean(), max() など）

名 姓 住所 クレジットスコア
1 Tamekah Forbes P.O. Box 147, 511 Velit Street 349
3 Xandra Barrett P.O. Box 309, 2462 Pharetra Rd. 628
Rでのデータクリーニング

部分重複の集約

credit_scores %>%

  group_by(first_name, last_name) %>%

  mutate(mean_credit_score = mean(credit_score))

  first_name last_name address                          credit_score mean_score
1 Tamekah    Forbes    P.O. Box 147, 511 Velit Street            356        349
2 Tamekah    Forbes    P.O. Box 147, 511 Velit Street            342        349
3 Xandra     Barrett   P.O. Box 309, 2462 Pharetra, Rd.          636        628
4 Xandra     Barrett   P.O. Box 309, 2462 Pharetra, Rd.          620        628
5 Katell     Roy       Ap #434-4081 Mi Av.                       455        455
...
Rでのデータクリーニング

部分重複の集約

credit_scores %>%
  group_by(first_name, last_name) %>%
  mutate(mean_credit_score = mean(credit_score)) %>%

  distinct(first_name, last_name, .keep_all = TRUE) %>%

  select(-credit_score)

  first_name last_name address                          mean_score
  <fct>      <fct>     <fct>                                 <dbl>
1 Tamekah    Forbes    P.O. Box 147, 511 Velit Street          349
2 Xandra     Barrett   P.O. Box 309, 2462 Pharetra, Rd.        628
3 Katell     Roy       Ap #434-4081 Mi Av.                     455
4 Miriam     Day       6042 Sollicitudin Avenue                313
...
Rでのデータクリーニング

Vamos praticar!

Rでのデータクリーニング

Preparing Video For Download...