データ型の制約

Rでのデータクリーニング

Maggie Matsui

Content Developer @ DataCamp

コース概要

サーバーと虫眼鏡、「汚れたデータを診断」

コース概要

サーバーとバグ、「汚れたデータの副作用」

コース概要

丸いデータベース、ほうきときらめきでクリーンデータ

コース概要

汚れたデータの診断、影響、クリーニング

第1章 — 一般的なデータの問題

なぜデータをきれいにするのか

データサイエンスのワークフロー: データ取得、探索と前処理、洞察抽出、レポート

なぜデータをきれいにするのか

人的エラーと技術的エラー

なぜデータをきれいにするのか

ワークフロー全体に誤りが伝播する

データ型の制約

データ型	例
文字列	名, 姓, 住所, ...
整数	登録者数, 販売数, ...
小数	気温, 為替レート, ...
二値	既婚か, 新規顧客, はい/いいえ, ...
カテゴリ	婚姻状況, 色, ...
日付	注文日, 生年月日, ...

Rのデータ型
`character`
`integer`
`numeric`
`logical`
`factor`
`Date`

データ型をざっと確認

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, ...

データ型の確認

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)

データ型の確認

【論理チェック】— TRUE/FALSE を返す

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

【assertive によるチェック】— FALSE ならエラー

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

なぜデータ型が重要か

class(sales$revenue)

"character"

mean(sales$revenue)

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

カンマの問題

sales$revenue

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

文字列を数値へ

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

revenue_trimmed

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

as.numeric(revenue_trimmed)

5454 5668 4062 3936 1067 ...

組み合わせて実行

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

同じ関数でも結果が異なる

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

データ型の変換

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

注意: factorをnumericへ

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

Ayo berlatih!

Rでのデータクリーニング