Однорідність

Очищення даних в R

Maggie Matsui

Content Developer @ DataCamp

Однорідність

Різні одиниці чи формати
- Температура: °C vs. °F
- Вага: kg vs. g vs. lb
- Гроші: USD $ vs. GBP £ vs. JPY ¥
- Дата: DD-MM-YYYY vs. MM-DD-YYYY vs. YYYY-MM-DD

Звідки беруться проблеми однорідності?

Ліворуч — три бази даних зі стрілками до однієї таблиці даних (кілька джерел). Праворуч — поле вільного тексту з курсором і комп'ютер із клавіатурою (помилки введення даних).

Пошук проблем однорідності

head(nyc_temps)

         date temp
1  2019-04-01  4.2
2  2019-04-02  7.5
3  2019-04-03 12.2
4  2019-04-04 11.1
5  2019-04-05 41.5
6  2019-04-06 11.9

Пошук проблем однорідності

library(ggplot2)
ggplot(nyc_temps, aes(x = date, y = temp)) +
  geom_point()

Графік, згенерований кодом. Є три значення температури, що суттєво вищі за інші.

Що робити?

Немає єдиного найкращого варіанта. Це залежить від вашого набору даних!
Дослідіть, звідки походять ваші дані

Графік, згенерований кодом. Є три значення температури, що суттєво вищі за інші.

Дані за 7, 16 і 23 квітня — з зовнішнього джерела, де температуру міряли у °F

Перетворення одиниць

$$\text{C} = (\text{F} - 32) \times \frac{5}{9}$$

ifelse(condition, value_if_true, value_if_false)

nyc_temps %>%
  mutate(temp_c = ifelse(temp > 50, (temp - 32) * 5 / 9, temp))

         date temp   temp_c
1  2019-04-01  4.2  4.20000
...
7  2019-04-07 58.5 14.72222
...

Перетворення одиниць

nyc_temps %>%
  mutate(temp_c = ifelse(temp > 50, (temp - 32) * 5 / 9, temp)) %>%
  ggplot(aes(x = date, y = temp_c)) +
    geom_point()

Графік, згенерований кодом; цього разу немає явних викидів, бо значення перетворено.

Однорідність дат

nyc_temps

             date temp_c
1      2019-11-23   5.12
2        01/15/19  -0.67
3  April 24, 2019  17.46
4        08/30/19  26.46
5 October 3, 2019  14.63
6      2019-03-17   3.47

Рядок дати	Формат `Date`
`"2019-11-23"`	`"%Y-%m-%d"`
`"01/15/19"`	`"%m/%d/%y"`
`"April 24, 2019"`	`"%B %d, %Y"`

?strptime у консолі R

Розбір кількох форматів

library(lubridate)
parse_date_time(nyc_temps$date,
                orders = c("%Y-%m-%d", "%m/%d/%y", "%B %d, %Y"))

"2019-11-23 UTC" "2019-01-15 UTC" "2019-04-24 UTC" "2019-08-30 UTC"
"2019-10-03 UTC" "2019-03-17 UTC"

parse_date_time("Monday, January 3",
                orders = c("%Y-%m-%d", "%m/%d/%y", "%B %d, %Y"))

NA

Неоднозначні дати

02/04/2019 — це лютий чи квітень?

Залежить від ваших даних!

Можливі дії:

Позначити як пропущене
Якщо дані з кількох джерел — робіть висновок за джерелом
Робіть висновок за іншими даними в наборі

Давайте потренуємось!

Очищення даних в R