Corregir errores tipográficos con distancia de cadenas

En este capítulo, uno de los conjuntos de datos con los que vas a trabajar, zagat, es un conjunto de restaurantes en New York, Los Angeles, Atlanta, San Francisco y Las Vegas. Los datos provienen de Zagat, una empresa que recopila reseñas de restaurantes, e incluyen los nombres de los restaurantes, direcciones, números de teléfono y otra información relacionada.

La columna city contiene el nombre de la ciudad donde se encuentra el restaurante. Sin embargo, hay varios errores tipográficos a lo largo de la columna. Tu tarea es asignar cada valor de city a una de las cinco ciudades correctamente escritas que hay en el data frame cities.

dplyr y fuzzyjoin están cargados, y zagat y cities están disponibles.

Este ejercicio forma parte del curso

Limpieza de datos en R

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Count the number of each city variation
zagat %>%
  count(___)

Editar y ejecutar código

Este ejercicio forma parte del curso

Limpieza de datos en R

IntermedioNivel de habilidad

4.8+

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 Exercise 3: Distancia pequeña, diferencia pequeña Exercise 4: Corregir errores tipográficos con distancia de cadenas

Ejercicio actual

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!