Полнота данных

Очистка данных в R

Maggie Matsui

Content Developer @ DataCamp

Что такое пропущенные данные?

Собранный пазл с одной недостающей деталью. Описание: возникает, когда для переменной в наблюдении не сохранено никакого значения.

Может быть представлено как NA, nan, 0, 99, . ...

Что такое пропущенные данные?

Может быть представлено как NA, nan, 0, 99, . ...

Робот, символизирующий технические ошибки.

Что такое пропущенные данные?

Может быть представлено как NA, nan, 0, 99, . ...

Фигура человека, символизирующая ошибку пользователя.

Качество воздуха

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

Качество воздуха

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

Поиск пропущенных значений

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

Подсчёт пропущенных значений

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

Визуализация пропущенных значений

library(visdat)
vis_miss(airquality)

Визуализация, созданная по коду. В крайнем левом столбце больше всего чёрных линий, во втором — меньше. В остальных столбцах чёрных линий нет.

Анализ пропусков

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

Анализ пропусков

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

Та же визуализация, что и раньше, но в левом столбце (Ozone) все пропущенные значения сосредоточены внизу.

Типы пропущенных данных

Слева: шестигранный кубик — пропуски полностью случайны. В центре: кубик с одной точкой на каждой грани — пропуски случайны. Справа: четыре квадрата, указывающих друг на друга по кругу — пропуски неслучайны.

Типы пропущенных данных

Полностью случайные пропуски: нет систематической связи между пропущенными данными и другими значениями. Пример: ошибки при вводе данных.

Типы пропущенных данных

Случайные пропуски: систематическая связь между пропущенными данными и другими наблюдаемыми значениями. Пример: пропуски данных об озоне при высоких температурах.

Типы пропусков

Неслучайные пропуски: систематическая связь между пропущенными данными и ненаблюдаемыми значениями. Пример: пропуски значений температуры при высоких температурах.

Работа с пропущенными данными

Простые подходы:

Удалить пропущенные данные
Импутировать (заполнить) с помощью статистических мер (среднее, медиана, мода...) или экспертных знаний

Более сложные подходы:

Импутировать с помощью алгоритмов
Импутировать с помощью моделей машинного обучения

Подробнее — в курсе Dealing with Missing Data in R

Удаление пропущенных значений

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

Замена пропущенных значений

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

Давайте потренируемся!

Очистка данных в R