Kompletność

Czyszczenie danych w R

Maggie Matsui

Content Developer @ DataCamp

Czym są brakujące dane?

Ułożone puzzle z brakującym elementem. Opis: Występuje, gdy żadna wartość danych nie jest przechowywana dla zmiennej w obserwacji.

Może być reprezentowana jako NA, nan, 0, 99, . ...

Czym są brakujące dane?

Może być reprezentowana jako NA, nan, 0, 99, . ...

Robot reprezentujący błędy techniczne.

Czym są brakujące dane?

Może być reprezentowana jako NA, nan, 0, 99, . ...

Postać człowieka reprezentująca błąd ludzki.

Jakość powietrza

head(airquality)

   Ozone Solar.R Wind Temp Month Day
1     41     190  7.4   67     5   1
2     36     118  8.0   72     5   2
3     12     149 12.6   74     5   3
4     18     313 11.5   62     5   4
5     NA      NA 14.3   56     5   5
6     28      NA 14.9   66     5   6

Jakość powietrza

head(airquality)

   Ozone Solar.R Wind Temp Month Day
1     41     190  7.4   67     5   1
2     36     118  8.0   72     5   2
3     12     149 12.6   74     5   3
4     18     313 11.5   62     5   4
5     NA      NA 14.3   56     5   5
6     28      NA 14.9   66     5   6

Wyszukiwanie brakujących wartości

is.na(airquality)

     Ozone Solar.R  Wind  Temp Month   Day
[1,] FALSE   FALSE FALSE FALSE FALSE FALSE
[2,] FALSE   FALSE FALSE FALSE FALSE FALSE
[3,] FALSE   FALSE FALSE FALSE FALSE FALSE
[4,] FALSE   FALSE FALSE FALSE FALSE FALSE
[5,]  TRUE    TRUE FALSE FALSE FALSE FALSE
[6,] FALSE    TRUE FALSE FALSE FALSE FALSE

Liczenie brakujących wartości

# Count missing vals in entire dataset
sum(is.na(airquality))

Wizualizacja brakujących wartości

library(visdat)
vis_miss(airquality)

Wizualizacja utworzona z kodu. Lewa kolumna zawiera najwięcej czarnych linii, druga kolumna kolejno. Pozostałe kolumny nie mają czarnych linii.

Analiza braków danych

airquality %>%
  mutate(miss_ozone = is.na(Ozone)) %>%

  group_by(miss_ozone) %>%
  summarize(across(everything(), median, na.rm = TRUE))

  miss_ozone Ozone Solar.R  Wind  Temp Month   Day
  <lgl>      <dbl>   <int> <dbl> <dbl> <dbl> <dbl>
1 FALSE       31.5     207   9.7    65     7    16
2 TRUE        NA       194   9.7    99     6    15

Analiza braków danych

airquality %>%
  arrange(Temp) %>%
  vis_miss()

Ta sama wizualizacja, lecz w lewej kolumnie (Ozone) wszystkie brakujące wartości znajdują się na dole.

Typy brakujących danych

Po lewej: sześciościenna kość do gry reprezentująca braki całkowicie losowe. Pośrodku: sześciościenna kość z jedną kropką na każdej ścianie, reprezentująca braki losowe. Po prawej: cztery kwadraty wskazujące na siebie w cyklu, reprezentujące braki nielosowe.

Typy brakujących danych

Braki całkowicie losowe: brak systematycznego związku między brakami a innymi wartościami. Przykład: błędy podczas wprowadzania danych.

Typy brakujących danych

Braki losowe: systematyczny związek między brakami a innymi obserwowanymi wartościami. Przykład: brakujące dane ozonu przy wysokich temperaturach.

Typy braków danych

Braki nielosowe: systematyczny związek między brakami a nieobserwowanymi wartościami. Przykład: brakujące wartości temperatury przy wysokich temperaturach.

Radzenie sobie z brakującymi danymi

Proste podejścia:

Usunięcie brakujących danych
Imputacja (uzupełnienie) za pomocą miar statystycznych (średnia, mediana, moda...) lub wiedzy domenowej

Bardziej złożone podejścia:

Imputacja algorytmiczna
Imputacja z użyciem modeli uczenia maszynowego

Więcej informacji w Dealing with Missing Data in R

Usuwanie brakujących wartości

airquality %>%
  filter(!is.na(Ozone), !is.na(Solar.R))

   Ozone Solar.R  Wind  Temp Month   Day
   <int>   <int> <dbl> <int> <int> <int>
 1    41     190   7.4    67     5     1
 2    36     118     8    72     5     2
 3    12     149  12.6    74     5     3
 4    18     313  11.5    62     5     4
 5    23     299   8.6    65     5     7
 6    19      99  13.8    59     5     8

Zastępowanie brakujących wartości

airquality %>%
  mutate(ozone_filled = ifelse(is.na(Ozone), mean(Ozone, na.rm = TRUE), Ozone))

   Ozone Solar.R  Wind  Temp Month   Day ozone_filled
   <int>   <int> <dbl> <int> <int> <int>        <dbl>
 1    41     190   7.4    67     5     1         41  
 2    36     118   8      72     5     2         36  
 3    12     149  12.6    74     5     3         12  
 4    18     313  11.5    62     5     4         18  
 5    NA      NA  14.3    56     5     5         42.1

Czas na ćwiczenia!

Czyszczenie danych w R