Calcular la distancia

En el ejercicio en vídeo, viste cómo usar la distancia de Damerau-Levenshtein para identificar lo similares que son dos cadenas. Como recordatorio, la distancia de Damerau-Levenshtein es el número mínimo de pasos necesarios para pasar de Cadena A a Cadena B, utilizando estas operaciones:

Inserción de un carácter nuevo.
Eliminación de un carácter existente.
Sustitución de un carácter existente.
Transposición de dos caracteres consecutivos existentes.

¿Cuál es la distancia de Damerau-Levenshtein entre las palabras "puffin" y "muffins" y qué operación(es) te lleva(n) hasta ahí?

Este ejercicio forma parte del curso

Limpieza de datos en R

Ver curso

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Limpieza de datos en R

IntermedioNivel de habilidad

4.8+

815 reviews

Empieza el curso gratis

En este capítulo, aprenderás a resolver algunos de los problemas más comunes de datos sucios. Convertirás tipos de datos, aplicarás restricciones de rango para eliminar puntos de datos futuros y quitarás datos duplicados para evitar dobles conteos.

Exercise 1: Restricciones de tipo de datos Exercise 2: Tipos de datos comunes Exercise 3: Convertir tipos de datos Exercise 4: Recortar cadenas Exercise 5: Restricciones de rango Exercise 6: Restricciones de duración del viaje Exercise 7: Regreso al futuro Exercise 8: Restricciones de unicidad Exercise 9: Duplicados completos Exercise 10: Eliminar duplicados parciales Exercise 11: Agregar duplicados parciales

Los datos categóricos y de texto suelen ser de las partes más desordenadas de un conjunto de datos por su naturaleza no estructurada. En este capítulo, aprenderás a corregir inconsistencias de espacios en blanco y mayúsculas en las etiquetas de categorías, a combinar varias categorías en una y a reformatear cadenas para mantener la coherencia.

Exercise 1: Comprobar pertenencia Exercise 2: Solo para miembros Exercise 3: No es miembro Exercise 4: Problemas con los datos categóricos Exercise 5: Identificar incoherencias Exercise 6: Corregir incoherencias Exercise 7: Agrupar categorías Exercise 8: Limpieza de datos de texto Exercise 9: Detección de datos de texto inconsistentes Exercise 10: Sustituir y eliminar Exercise 11: Números de teléfono no válidos

En este capítulo, profundizarás en problemas de limpieza de datos más avanzados, como asegurarte de que todos los pesos estén en kilogramos en lugar de libras. Además, adquirirás habilidades clave para verificar que los valores se han añadido correctamente y que los valores ausentes no afecten negativamente a tus análisis.

Exercise 1: Uniformidad Exercise 2: Uniformidad de fechas Exercise 3: Uniformidad de moneda Exercise 4: Validación entre campos Exercise 5: Validación de totales Exercise 6: Validación de la edad Exercise 7: Completitud Exercise 8: Tipos de ausencia de datos Exercise 9: Visualización de datos faltantes Exercise 10: Tratamiento de datos faltantes

El record linkage es una técnica potente para fusionar varios conjuntos de datos cuando los valores tienen erratas u ortografías distintas. En este capítulo, aprenderás a vincular registros calculando la similitud entre cadenas; después usarás estas nuevas habilidades para unir dos conjuntos de datos de reseñas de restaurantes en un único conjunto maestro limpio.

Exercise 1: Comparar cadenas Exercise 2: Calcular la distancia

Ejercicio actual

Exercise 3: Distancia pequeña, diferencia pequeña Exercise 4: Corregir errores tipográficos con distancia de cadenas Exercise 5: Generar y comparar pares Exercise 6: ¿Record linkage o join?Exercise 7: Bloqueo por pares Exercise 8: Comparar pares Exercise 9: Puntuación y enlace Exercise 10: ¿Primero puntuar y luego seleccionar, o primero seleccionar y luego puntuar?Exercise 11: Uniéndolo todo Exercise 12: ¡Enhorabuena!