Повнота

Очищення даних в R

Maggie Matsui

Content Developer @ DataCamp

Що таке пропущені дані?

Зібрана головоломка з відсутнім фрагментом. Опис: виникає, коли для змінної в спостереженні не збережено значення.

Може позначатися як NA, nan, 0, 99, . ...

Що таке пропущені дані?

Може позначатися як NA, nan, 0, 99, . ...

Робот, що символізує технічні помилки.

Що таке пропущені дані?

Може позначатися як NA, nan, 0, 99, . ...

Силует людини, що символізує людську помилку.

Якість повітря

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

Якість повітря

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

Пошук пропущених значень

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

Підрахунок пропусків

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

Візуалізація пропусків

library(visdat)
vis_miss(airquality)

Візуалізація, створена кодом. У лівому стовпці найбільше чорних ліній, у другому — трохи менше. В інших стовпцях чорних ліній немає.

Дослідження пропусків

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

Дослідження пропусків

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

Така сама візуалізація, але в лівому стовпці Ozone всі пропуски знизу.

Типи пропусків

Ліворуч: кубик, що означає Missing Completely at Random. Посередині: кубик з однією крапкою на кожній грані — Missing at Random. Праворуч: чотири квадрати, що вказують одне на одне по колу — Missing Not at Random.

Типи пропусків

Missing completely at random: немає системного звʼязку між пропусками та іншими значеннями. Приклад: помилки під час введення даних.

Типи пропусків

Missing at random: системний звʼязок між пропусками та іншими спостережуваними значеннями. Приклад: відсутні дані озону за високих температур.

Типи пропусків

Missing not at random: системний звʼязок між пропусками та неспостережуваними значеннями. Приклад: відсутні значення температури за високих температур.

Як працювати з пропусками

Прості підходи:

Видалити пропуски
Імпутувати (заповнити) статистичними мірами (середнє, медіана, мода...) або за фаховими знаннями

Складніші підходи:

Імпутувати алгоритмічно
Імпутувати моделями машинного навчання

Детальніше: Dealing with Missing Data in R

Видалення пропусків

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

Заміна пропусків

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 потренуємось!

Очищення даних в R