Wprowadzenie do czyszczenia danych w R

Czyszczenie danych to niezbędny etap przed analizą. W tej lekcji nauczą się Państwo obsługiwać brakujące wartości, poprawiać typy danych i usuwać duplikaty.

Obsługa brakujących wartości

Brakujące wartości w R są reprezentowane przez NA. Ich występowanie można sprawdzić za pomocą is.na().

sum(is.na(data))

Usuwanie brakujących wartości

Brakujące wartości można usunąć ze zbioru danych za pomocą na.omit().

clean_data <- na.omit(data)

Zastępowanie brakujących wartości

Czasami przydatne jest zastąpienie brakujących wartości wartością domyślną lub średnią z danej kolumny.

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

Wykrywanie duplikatów

Duplikaty wierszy w zbiorze danych można sprawdzić za pomocą duplicated().

sum(duplicated(data))

Usuwanie duplikatów

Aby usunąć zduplikowane wiersze, użyj funkcji distinct() z pakietu dplyr.

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

Konwertowanie typów danych

Czasami dane mogą mieć nieprawidłowy format. Typy danych można konwertować za pomocą funkcji takich jak as.numeric() i as.character().

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

Zmiana nazw kolumn

Nazwy kolumn w ramce danych można zmieniać za pomocą funkcji rename() z pakietu dplyr.

data <- rename(data, NewName = OldName)

Podsumowanie

W tej lekcji poznali Państwo:

• sposoby obsługi brakujących wartości,
• sposoby usuwania duplikatów,
• sposoby czyszczenia danych i konwertowania ich typów.