Introducción a la limpieza de datos en R

La limpieza de datos es un paso esencial antes del análisis. En esta lección, aprenderá a gestionar los valores ausentes, corregir los tipos de datos y eliminar duplicados.

Gestión de valores ausentes

Los valores ausentes en R se representan mediante NA. Puede comprobar si hay valores ausentes mediante is.na().

sum(is.na(data))

Eliminación de valores ausentes

Puede eliminar los valores ausentes de un conjunto de datos mediante na.omit().

clean_data <- na.omit(data)

Sustitución de valores ausentes

En ocasiones, resulta útil sustituir los valores ausentes por un valor predeterminado o por la media de una columna.

data$column[is.na(data$column)] <- mean(data$column, na.rm = TRUE)

Identificación de duplicados

Puede comprobar si hay filas duplicadas en su conjunto de datos mediante duplicated().

sum(duplicated(data))

Eliminación de duplicados

Para eliminar filas duplicadas, utilice distinct() del paquete dplyr.

install.packages('dplyr')
library(dplyr)
data <- distinct(data)

Conversión de tipos de datos

En ocasiones, los datos pueden estar en un formato incorrecto. Puede convertir los tipos de datos mediante funciones como as.numeric() y as.character().

data$column <- as.numeric(data$column)

Cambio de nombre de columnas

Puede cambiar el nombre de las columnas de un marco de datos mediante la función rename() del paquete dplyr.

data <- rename(data, NewName = OldName)

Resumen

En esta lección, ha aprendido:

• Cómo gestionar los valores faltantes.
• Cómo eliminar duplicados.
• Cómo limpiar y convertir tipos de datos.