Introduction au nettoyage des données dans R

Le nettoyage des données est une étape essentielle avant l’analyse. Dans cette leçon, vous apprendrez à gérer les valeurs manquantes, à corriger les types de données et à supprimer les doublons.

Gérer les valeurs manquantes

Dans R, les valeurs manquantes sont représentées par NA. Vous pouvez rechercher les valeurs manquantes à l’aide de is.na().

sum(is.na(data))

Supprimer les valeurs manquantes

Vous pouvez supprimer les valeurs manquantes d’un jeu de données à l’aide de na.omit().

clean_data <- na.omit(data)

Remplacer les valeurs manquantes

Il peut être utile de remplacer les valeurs manquantes par une valeur par défaut ou par la moyenne d’une colonne.

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

Identifier les doublons

Vous pouvez rechercher les lignes en double dans votre jeu de données à l’aide de duplicated().

sum(duplicated(data))

Supprimer les doublons

Pour supprimer les lignes en double, utilisez distinct() du package dplyr.

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

Convertir les types de données

Les données peuvent parfois être dans un format incorrect. Vous pouvez convertir les types de données à l’aide de fonctions telles que as.numeric() et as.character().

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

Renommer les colonnes

Vous pouvez renommer les colonnes d’une trame de données à l’aide de la fonction rename() du package dplyr.

data <- rename(data, NewName = OldName)

Résumé

Dans cette leçon, vous avez appris :

• Comment gérer les valeurs manquantes.
• Comment supprimer les doublons.
• Comment nettoyer et convertir les types de données.