Introduzione alla pulizia dei dati in R

La pulizia dei dati è un passaggio essenziale prima dell'analisi. In questa lezione imparerà a gestire i valori mancanti, correggere i tipi di dati e rimuovere i duplicati.

Gestire i valori mancanti

In R, i valori mancanti sono rappresentati da NA. È possibile cercare i valori mancanti utilizzando is.na().

sum(is.na(data))

Rimuovere i valori mancanti

È possibile rimuovere i valori mancanti da un dataset utilizzando na.omit().

clean_data <- na.omit(data)

Sostituire i valori mancanti

A volte è utile sostituire i valori mancanti con un valore predefinito o con la media di una colonna.

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

Individuare i duplicati

È possibile cercare le righe duplicate nel dataset utilizzando duplicated().

sum(duplicated(data))

Rimuovere i duplicati

Per rimuovere le righe duplicate, utilizzi distinct() del pacchetto dplyr.

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

Convertire i tipi di dati

A volte i dati possono essere in un formato errato. È possibile convertire i tipi di dati utilizzando funzioni come as.numeric() e as.character().

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

Rinominare le colonne

È possibile rinominare le colonne di un data frame utilizzando la funzione rename() del pacchetto dplyr.

data <- rename(data, NewName = OldName)

Riepilogo

In questa lezione, ha imparato:

• Come gestire i valori mancanti.
• Come rimuovere i duplicati.
• Come pulire e convertire i tipi di dati.