Jednotnost

Čištění dat v R

Maggie Matsui

Content Developer @ DataCamp

Jednotnost

  • Různé jednotky nebo formáty
    • Teplota: °C vs. °F
    • Hmotnost: kg vs. g vs. lb
    • Měna: USD $ vs. GBP £ vs. JPY ¥
    • Datum: DD-MM-YYYY vs. MM-DD-YYYY vs. YYYY-MM-DD
Čištění dat v R

Odkud pocházejí problémy s jednotností?

Vlevo tři databáze se šipkami vedoucími do jedné tabulky – znázorňuje více zdrojů dat. Vpravo textové pole s kurzorem a počítač s klávesnicí – znázorňuje chyby při zadávání dat.

Čištění dat v R

Hledání problémů s jednotností

head(nyc_temps)

         date temp
1  2019-04-01  4.2
2  2019-04-02  7.5
3  2019-04-03 12.2
4  2019-04-04 11.1
5  2019-04-05 41.5
6  2019-04-06 11.9
Čištění dat v R

Hledání problémů s jednotností

library(ggplot2)
ggplot(nyc_temps, aes(x = date, y = temp)) +
  geom_point()

Graf vygenerovaný kódem. Tři teploty jsou výrazně vyšší než ostatní.

Čištění dat v R

Jak postupovat?

  • Neexistuje jedno nejlepší řešení. Záleží na datové sadě!
  • Zjistěte, odkud data pocházejí

Graf vygenerovaný kódem. Tři teploty jsou výrazně vyšší než ostatní.

  • Data z 7., 16. a 23. dubna pocházejí z externího zdroje, který měřil teploty v °F
Čištění dat v R

Převod jednotek

$$\text{C} = (\text{F} - 32) \times \frac{5}{9}$$

ifelse(condition, value_if_true, value_if_false)

nyc_temps %>%
  mutate(temp_c = ifelse(temp > 50, (temp - 32) * 5 / 9, temp))

         date temp   temp_c
1  2019-04-01  4.2  4.20000
...
7  2019-04-07 58.5 14.72222
...
Čištění dat v R

Převod jednotek

nyc_temps %>%
  mutate(temp_c = ifelse(temp > 50, (temp - 32) * 5 / 9, temp)) %>%
  ggplot(aes(x = date, y = temp_c)) +
    geom_point()

Graf vygenerovaný kódem – tentokrát bez zjevných odlehlých hodnot, protože byly převedeny.

Čištění dat v R

Jednotnost dat

nyc_temps

             date temp_c
1      2019-11-23   5.12
2        01/15/19  -0.67
3  April 24, 2019  17.46
4        08/30/19  26.46
5 October 3, 2019  14.63
6      2019-03-17   3.47

 

Řetězec data Formát Date
"2019-11-23" "%Y-%m-%d"
"01/15/19" "%m/%d/%y"
"April 24, 2019" "%B %d, %Y"

 

?strptime v konzoli R

Čištění dat v R

Parsování více formátů

library(lubridate)
parse_date_time(nyc_temps$date,
                orders = c("%Y-%m-%d", "%m/%d/%y", "%B %d, %Y"))

"2019-11-23 UTC" "2019-01-15 UTC" "2019-04-24 UTC" "2019-08-30 UTC"
"2019-10-03 UTC" "2019-03-17 UTC"

parse_date_time("Monday, January 3",
                orders = c("%Y-%m-%d", "%m/%d/%y", "%B %d, %Y"))

NA
Čištění dat v R

Nejednoznačná data

Je 02/04/2019 únor, nebo duben?

  • Záleží na datech!

 

Možnosti:

  • Považovat za chybějící hodnotu
  • Pokud data pocházejí z více zdrojů, odvodit podle zdroje
  • Odvodit z ostatních dat v datové sadě
Čištění dat v R

Lass uns üben!

Čištění dat v R

Preparing Video For Download...