Введение в очистку данных в R

Очистка данных — важный этап перед анализом. В этом уроке Вы научитесь работать с пропущенными значениями, исправлять типы данных и удалять дубликаты.

Работа с пропущенными значениями

Пропущенные значения в R обозначаются как NA. Проверить наличие пропущенных значений можно с помощью is.na().

sum(is.na(data))

Удаление пропущенных значений

Удалить пропущенные значения из набора данных можно с помощью na.omit().

clean_data <- na.omit(data)

Замена пропущенных значений

В некоторых случаях полезно заменить пропущенные значения значением по умолчанию или средним значением столбца.

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

Выявление дубликатов

Проверить наличие повторяющихся строк в наборе данных можно с помощью duplicated().

sum(duplicated(data))

Удаление дубликатов

Чтобы удалить повторяющиеся строки, используйте distinct() из пакета dplyr.

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

Преобразование типов данных

Иногда данные имеют неправильный формат. Преобразовать типы данных можно с помощью таких функций, как as.numeric() и as.character().

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

Переименование столбцов

Переименовать столбцы в таблице данных можно с помощью функции rename() из пакета dplyr.

data <- rename(data, NewName = OldName)

Итоги

В этом уроке Вы научились:

• Обрабатывать пропущенные значения.
• Удалять дубликаты.
• Очищать данные и преобразовывать их типы.