Completitudine

Curățarea datelor în R

Maggie Matsui

Content Developer @ DataCamp

Ce sunt datele lipsă?

Un puzzle completat cu o piesă lipsă. Descriere: Apare când nicio valoare nu este stocată pentru o variabilă dintr-o observație.

Poate fi reprezentată ca NA, nan, 0, 99, . ...

Ce sunt datele lipsă?

Poate fi reprezentată ca NA, nan, 0, 99, . ...

Un robot reprezentând erori tehnice.

Ce sunt datele lipsă?

Poate fi reprezentată ca NA, nan, 0, 99, . ...

O figură umană reprezentând eroarea umană.

Calitatea aerului

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

Calitatea aerului

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

Identificarea valorilor lipsă

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

Numărarea valorilor lipsă

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

Vizualizarea valorilor lipsă

library(visdat)
vis_miss(airquality)

Vizualizare generată din cod. Coloana din stânga are cele mai multe linii negre, urmată de a doua coloană. Celelalte coloane nu au linii negre.

Investigarea valorilor lipsă

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

Investigarea valorilor lipsă

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

Aceeași vizualizare ca anterior, dar în coloana din stânga reprezentând Ozone, toate valorile lipsă sunt în partea de jos.

Tipuri de date lipsă

Stânga: Un zar cu șase fețe reprezentând lipsa complet aleatorie. Mijloc: Un zar cu un singur punct pe fiecare față reprezentând lipsa aleatorie. Dreapta: Patru pătrate care se indică reciproc în ciclu, reprezentând lipsa non-aleatorie.

Tipuri de date lipsă

Lipsă complet aleatorie: nicio relație sistematică între datele lipsă și alte valori. Exemplu: Erori de introducere a datelor.

Tipuri de date lipsă

Lipsă aleatorie: relație sistematică între datele lipsă și alte valori observate. Exemplu: Date lipsă despre ozon la temperaturi ridicate.

Tipuri de lipsă

Lipsă non-aleatorie: relație sistematică între datele lipsă și valori neobservate. Exemplu: valori de temperatură lipsă pentru temperaturi ridicate.

Gestionarea datelor lipsă

Abordări simple:

Eliminarea datelor lipsă
Imputarea (completarea) cu măsuri statistice (medie, mediană, mod...) sau cunoștințe de domeniu

Abordări mai complexe:

Imputare prin algoritmi
Imputare cu modele de machine learning

Aflați mai multe în Dealing with Missing Data in R

Eliminarea valorilor lipsă

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

Înlocuirea valorilor lipsă

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

Să exersăm!

Curățarea datelor în R