सदस्यता जाँचना

R में डेटा क्लीनिंग

Maggie Matsui

Content Developer @ DataCamp

श्रेणीकृत डेटा

श्रेणीकृत वैरिएबल में संभावित मानों का एक तय, ज्ञात सेट होता है

डेटा	उदाहरण मान
वैवाहिक स्थिति	`unmarried`, `married`
घरेलू आय श्रेणी	`0-20K`, `20-40K`, ...
टी-शर्ट साइज	`S`, `M`, `L`, `XL`

फैक्टर्स

factor में, हर श्रेणी एक संख्या के रूप में संग्रहीत होती है और उसका एक लेबल होता है

डेटा	लेबल	संख्यात्मक निरूपण
वैवाहिक स्थिति	`unmarried`, `married`	`1`, `2`
घरेलू आय श्रेणी	`0-20K`, `20-40K`, ...	`1`, `2`, ...
टी-शर्ट साइज	`S`, `M`, `L`, `XL`	`1`, `2`, `3`, `4`

फैक्टर लेवल्स

tshirt_size

L  XL XL L  M  M  M  L  XL L  S  M  M  S  S  M  XL S  L  S ... 
Levels: S M L XL

levels(tshirt_size)

"S"  "M"  "L"  "XL"

अमान्य मान

factor में पूर्वनिर्धारित मानों के बाहर के मान नहीं हो सकते

डेटा	लेवल्स	अनुमति नहीं
वैवाहिक स्थिति	`unmarried`, `married`	`divorced`
घरेलू आय श्रेणी	`0-20K`, `20-40K`, ...	`10-30K`
टी-शर्ट साइज	`S`, `M`, `L`, `XL`	`S/M`

ये मान आते कैसे हैं?

बाएँ: Data Entry Errors, फ्री टेक्स्ट के कर्सर वाले टेक्स्ट बॉक्स और ड्रॉपडाउन मेन्यू द्वारा. दाएँ: parsing errors, जिन्हें डेटाबेस द्वारा दर्शाया गया है.

Filtering joins: एक त्वरित समीक्षा

पहले टेबल से observations को रखता या हटाता है, कोई नया कॉलम नहीं जोड़ता

शीर्षक: Semi-join. उपशीर्षक: X में कौन से observations Y में भी हैं? बाएँ, एक-कॉलम टेबल X: a, b, c. दाएँ, एक-कॉलम टेबल Y: a, c, d. दोनों में a और c रेखाओं से जुड़े हैं. X में a और c हाइलाइट हैं.

Filtering joins: एक त्वरित समीक्षा

पहले टेबल से observations को रखता या हटाता है, कोई नया कॉलम नहीं जोड़ता

शीर्षक: Anti-join. उपशीर्षक: X में कौन से observations Y में नहीं हैं? बाएँ, एक-कॉलम टेबल X: a, b, c. दाएँ, एक-कॉलम टेबल Y: a, c, d. दोनों में a और c रेखाओं से जुड़े हैं. X में b हाइलाइट है.

ब्लड टाइप उदाहरण

study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

blood_types

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

ब्लड टाइप उदाहरण

study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+  <--
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

blood_types

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

गैर-सदस्यों को खोजना

वेन आरेख. बायाँ वृत्त study_data, दायाँ blood_types. बाएँ तरफ Z+. बीच में A-, O-, AB+, A+, O+, और B-. दाएँ B+ और AB-. बाएँ का Z+ लाल है.

Anti-join

study_data %>%
  anti_join(blood_types, by = "blood_type")

      name   birthday blood_type
1 Jennifer 2019-12-17         Z+

गैर-सदस्यों को हटाना

वेन आरेख. बायाँ वृत्त study_data, दायाँ blood_types. बाएँ Z+. बीच में A-, O-, AB+, A+, O+, और B-. बीच के ब्लड टाइप्स नीले हैं.

Semi-join

study_data %>%
  semi_join(blood_types, by = "blood_type")

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5  Kennedy 2020-04-27         A+
6    Keith 2019-04-19        AB+

अभ्यास करते हैं!

R में डेटा क्लीनिंग