一致性

R 的資料清理

Maggie Matsui

Content Developer @ DataCamp

一致性

不同單位或格式
- 溫度：°C 與 °F
- 重量：kg、g、lb
- 金額：USD $、GBP £、JPY ¥
- 日期：DD-MM-YYYY、MM-DD-YYYY、YYYY-MM-DD

一致性問題從哪裡來？

左側為三個資料庫指向一個資料表，表示多個資料來源。右側為自由文字框與鍵盤電腦，表示資料輸入錯誤。

找出一致性問題

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

找出一致性問題

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

由程式碼產生的圖。可見有三個溫度明顯高於其他點。

怎麼做？

沒有唯一最佳做法。要看你的資料集！
先研究資料來源

由程式碼產生的圖。可見有三個溫度明顯高於其他點。

4/7、4/16、4/23 的資料來自外部來源，溫度以 °F 測量

單位轉換

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

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
...

單位轉換

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

由程式碼產生的圖。此時已無明顯離群點，因為已完成轉換。

日期一致性

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

日期字串	`Date` 格式
`"2019-11-23"`	`"%Y-%m-%d"`
`"01/15/19"`	`"%m/%d/%y"`
`"April 24, 2019"`	`"%B %d, %Y"`

在 R 主控台輸入 ?strptime

解析多種格式

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

含糊的日期

02/04/2019 是 2 月還是 4 月？

要看你的資料！

可選作法：

視為遺漏值
若資料來自多個來源，依來源推斷
依資料集中的其他資料推斷

一起來練習吧！

R 的資料清理