Fullständighet

Datarensning i R

Maggie Matsui

Content Developer @ DataCamp

Vad är saknade data?

Ett färdiglagt pussel med en saknad bit. Beskrivning: Uppstår när inget datavärde lagras för en variabel i en observation.

Kan representeras som NA, nan, 0, 99, . ...

Vad är saknade data?

Kan representeras som NA, nan, 0, 99, . ...

En robot som representerar tekniska fel.

Vad är saknade data?

Kan representeras som NA, nan, 0, 99, . ...

En figur av en person som representerar mänskliga fel.

Luftkvalitet

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

Luftkvalitet

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

Hitta saknade värden

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

Räkna saknade värden

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

Visualisera saknade värden

library(visdat)
vis_miss(airquality)

Visualisering skapad från koden. Den vänstersta kolumnen har flest svarta linjer och den näst vänstra kolumnen har näst flest. Övriga kolumner saknar svarta linjer.

Undersöka saknande

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

Undersöka saknande

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

Samma visualisering som tidigare, men i den vänstra kolumnen för Ozone ligger alla saknade värden längst ned.

Typer av saknade data

Vänster: En sexsidig tärning för att representera saknade data helt slumpmässigt. Mitten: En sexsidig tärning med bara en prick på varje sida för att representera saknade data slumpmässigt. Höger: Fyra rutor som pekar på varandra i en cykel för att representera saknade data ej slumpmässigt.

Typer av saknade data

Saknade data helt slumpmässigt: inget systematiskt samband mellan saknade data och andra värden. Exempel: Datainmatningsfel vid inmatning av data.

Typer av saknade data

Saknade data slumpmässigt: Systematiskt samband mellan saknade data och andra observerade värden. Exempel: Saknade ozondata vid höga temperaturer.

Typer av saknande

Saknade data ej slumpmässigt: Systematiskt samband mellan saknade data och oobserverade värden. Exempel: Saknade temperaturvärden vid höga temperaturer.

Hantera saknade data

Enkla metoder:

Ta bort saknade data
Imputera (fyll i) med statistiska mått (medelvärde, median, typvärde..) eller domänkunskap

Mer avancerade metoder:

Imputera med en algoritmisk metod
Imputera med maskininlärningsmodeller

Läs mer i Dealing with Missing Data in R

Ta bort saknade värden

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

Ersätta saknade värden

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

Nu kör vi en övning!

Datarensning i R