Qualité des données et nettoyage

R pour les utilisateurs et utilisatrices de SAS

Melinda Higgins, PhD

Research Professor/Senior Biostatistician Emory University

Vérifier les distributions

# Continuer avec davismod
davismod %>%
  head(5)

  sex weight height repwt repht      bmi diffht difflow          bmicat
1   M     77    182    77   180 23.24598     -2   FALSE 1. underwt/norm
2   F     58    161    51   159 22.37568     -2   FALSE 1. underwt/norm
3   F     53    161    54   158 20.44674     -3    TRUE 1. underwt/norm
4   M     68    177    70   175 21.70513     -2   FALSE 1. underwt/norm
5   F     59    157    59   155 23.93606     -2   FALSE 1. underwt/norm

Vérifier les distributions

# Obtenir les statistiques sommaires de bmi : min, max, médiane
davismod %>%
  pull(bmi) %>%
  summary()

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  15.82   20.23   21.84   24.70   23.94  510.93

Remarquez que Max. > 500

Visualiser les distributions

# Diagramme à points de bmi avec geom_dotplot()
ggplot(davismod, aes(bmi)) +
  geom_dotplot()

diagramme à points de bmi

Repérer les valeurs aberrantes

# Trier les données avec arrange(), voir les 6 dernières lignes avec tail()
davismod %>%
  arrange(bmi) %>%
  tail()

    sex weight height repwt repht       bmi diffht difflow    bmicat
195   M     89    173    86   173  29.73704      0   FALSE 2. overwt
196   M    102    185   107   185  29.80278      0   FALSE 2. overwt
197   M    103    185   101   182  30.09496     -3    TRUE  3. obese
198   M    101    183   100   180  30.15916     -3    TRUE  3. obese
199   M    119    180   124   178  36.72840     -2   FALSE  3. obese
200   F    166     57    56   163 510.92644    106   FALSE  3. obese

Visualiser l'hypothèse weight <= height

# Nuage de points avec droite de référence y=x
ggplot(davismod,
       aes(weight, height)) +
  geom_point() +
  geom_abline(intercept=0, slope=1)

nuage de points height selon weight pour davismod

Exclure les cas erronés

# Utiliser filter() de dplyr, garder les cas où bmi < 100
daviskeep <- davismod %>%
  filter(bmi < 100)

# Voir les 6 dernières lignes
daviskeep %>%
  arrange(bmi) %>%
  tail()

    sex weight height repwt repht      bmi diffht difflow    bmicat
194   F     75    162    75   158 28.57796     -4    TRUE 2. overwt
195   M     89    173    86   173 29.73704      0   FALSE 2. overwt
196   M    102    185   107   185 29.80278      0   FALSE 2. overwt
197   M    103    185   101   182 30.09496     -3    TRUE  3. obese
198   M    101    183   100   180 30.15916     -3    TRUE  3. obese
199   M    119    180   124   178 36.72840     -2   FALSE  3. obese

Visualiser le bmi corrigé

# Diagramme à points de bmi
ggplot(daviskeep, aes(bmi)) +
  geom_dotplot()

diagramme à points de bmi à partir de daviskeep

Nettoyage final de l'ensemble abalone

Vérifier les hypothèses de l'ensemble de données abalone
Retirer les cas qui les enfreignent
Finaliser l'ensemble pour l'analyse et les modèles

HYPOTHÈSES :

Toutes les mesures doivent être > 0
length est la plus longue dimension de la coquille
height et diameter < length
wholeWeight est le poids total
Les autres poids < wholeWeight

photo de coquille d'ormeau

Explorons et nettoyons l'ensemble abalone

R pour les utilisateurs et utilisatrices de SAS