Slučování proměnných podle podílu
Často nebudeš vědět, které konkrétní úrovně chceš sloučit do kategorie „other" nebo seskupit dohromady. Místo toho budeš chtít ponechat nejčastější úrovně a vše ostatní zařadit do kategorie „other". Zvláště když existuje mnoho úrovní a většina z nich je vzácná, je to užitečné pro přehledné zobrazení dat. Vyzkoušejme to na otázce z průzkumu Kaggle, kde respondenti uváděli, jaké metody strojového učení chtějí vyzkoušet příští rok. Datová sada multiple_choice_responses je pro tebe načtená. Při počítání pamatuj, že sort = TRUE odpovídá sestupnému řazení.
Toto cvičení je součástí kurzu
Kategorická data v Tidyverse
Pokyny k cvičení
- Odstraň respondenty, kteří žádnou metodu nevybrali.
- Z proměnné
MLMethodNextYearSelectvytvoř novou proměnnouml_method, která zachová názvy metod, jež zvolilo alespoň 5 % respondentů, a zbytek sloučí jako "Other" (výchozí hodnota). - Nakonec spočítej hodnoty nové proměnné seřazené sestupně.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
multiple_choice_responses %>%
# Remove NAs of MLMethodNextYearSelect
filter(___) %>%
# Create ml_method, which lumps all those with less than 5% of people into "Other"
mutate(ml_method = ___(MLMethodNextYearSelect, ___)) %>%
# Count the frequency of your new variable, sorted in descending order
___(___, ___)