Gratulacje!

Czyszczenie danych w R

Maggie Matsui

Content Developer, DataCamp

Czego się nauczyłeś(-aś)

Ten sam diagram z lekcji 1.1 przedstawiający diagnozowanie brudnych danych, skutki uboczne brudnych danych i czyszczenie danych.

Rozdział 1: Typowe problemy z danymi

Z lewej: tablet z liniami prowadzącymi do folderu, chmury, bazy danych i dokumentu – reprezentuje ograniczenia typów danych (ciągi znaków, dane liczbowe). Środek: oś liczbowa z dwoma znacznikami i strzałką dwukierunkową – reprezentuje ograniczenia zakresu danych. Z prawej: rosyjskie lalki matrioszki – reprezentują ograniczenia unikalności, takie jak wykrywanie i obsługa duplikatów.

Rozdział 2: Dane tekstowe i kategoryczne

Rozdział 3: Zaawansowane problemy z danymi

Z lewej: sześć strojów sędziowskich – reprezentuje jednolitość, np. ujednolicanie formatów walut i dat. Środek: tabela danych z trzema kolumnami – reprezentuje walidację krzyżową pól, np. sumowanie wierszy i weryfikację wieku. Z prawej: puzzle z brakującym elementem – reprezentuje kompletność, np. wykrywanie i obsługę brakujących danych.

Rozdział 4: Łączenie rekordów

Diagram przedstawiający etapy łączenia rekordów

Rozwijaj swoje nowe umiejętności

Dane kategoryczne
- Categorical Data in the Tidyverse
Dane tekstowe
- String Manipulation with stringr in R
- Intermediate Regular Expressions in R
Pisanie czystego kodu
- Defensive R Programming

Gratulacje!

Czyszczenie danych w R