Validarea încrucișată a câmpurilor

Curățarea datelor în R

Maggie Matsui

Content Developer @ DataCamp

Ce este validarea încrucișată a câmpurilor?

Validarea încrucișată = o verificare de plauzibilitate
Are sens această valoare în raport cu celelalte valori?

Captură de ecran de la un canal de știri. Rezultatele unui sondaj: „Ar trebui Scoția să fie independentă?". Da: 52%, Nu: 58%.

¹ https://www.buzzfeednews.com/article/katienotopoulos/graphs-that-lied-to-us

Date despre carduri de credit

head(credit_cards)

  date_opened dining_cb groceries_cb  gas_cb total_cb acct_age
1  2018-07-05     26.08        83.43   78.90   188.41        1
2  2016-01-23   1309.33         4.46 1072.25  2386.04        4
3  2016-03-25    205.84       119.20  800.62  1125.66        4
4  2018-06-20     14.00        16.37   18.41    48.78        1
5  2017-02-08     98.50       283.68  281.70   788.33        3
6  2014-11-18    889.28      2626.34 2973.62  6489.24        5

Validarea numerelor

credit_cards %>% 
  select(dining_cb:total_cb)

   dining_cb groceries_cb  gas_cb total_cb
1      26.08        83.43   78.90   188.41
2    1309.33         4.46 1072.25  2386.04
3     205.84       119.20  800.62  1125.66
4      14.00        16.37   18.41    48.78
5      98.50       283.68  281.70   788.33
6     889.28      2626.34 2973.62  6489.24

Validarea numerelor

credit_cards %>%

  mutate(theoretical_total = dining_cb + groceries_cb + gas_cb) %>%

  filter(theoretical_total != total_cb) %>%
  select(dining_cb:theoretical_total)

  dining_cb groceries_cb  gas_cb total_cb theoretical_total
1     98.50       283.68  281.70   788.33            663.88
2   3387.53       363.85 2706.42  4502.94           6457.80

Validarea datei și vârstei

credit_cards %>%
  select(date_opened, acct_age)

   date_opened acct_age
1   2018-07-05        1
2   2016-01-23        4
3   2016-03-25        4
4   2018-06-20        1
5   2017-02-08        3
6   2014-11-18        5

Calcularea vârstei

library(lubridate)
date_difference <- as.Date("2015-09-04") %--% today()
date_difference

2015-09-04 UTC--2020-03-09 UTC

as.numeric(date_difference, "years")

4.511978

floor(as.numeric(date_difference, "years"))

Validarea vârstei

credit_cards %>%
  mutate(theor_age = floor(as.numeric(date_opened %--% today(), "years"))) %>%
  filter(theor_age != acct_age)

  date_opened acct_age dining_cb groceries_cb  gas_cb total_cb theor_age
1  2016-03-25        4    814.34       471.58 3167.41  4453.33         3
2  2018-03-06        3    238.48       186.05  213.84   638.37         2

Ce urmează?

În stânga, o coșul de gunoi simbolizează eliminarea datelor. În mijloc, un semn de întrebare reprezintă setarea ca lipsă și imputarea. În dreapta, pătrate legate prin linii cu bife și x-uri ilustrează aplicarea regulilor din cunoștințele de domeniu.

Să exersăm!

Curățarea datelor în R