Intégrité des données

En explorant un jeu de données, il arrive parfois de tomber sur quelque chose qui amène à remettre en question la façon dont les données ont été compilées. Par exemple, la variable num_char contient le nombre de caractères dans le courriel, en milliers. Elle peut donc prendre des valeurs décimales, mais ne devrait certainement pas prendre de valeurs négatives.

Vous pouvez formuler un test pour vérifier que cette variable se comporte comme prévu :

email$num_char < 0

Si vous exécutez ce code dans la console, vous obtiendrez un long vecteur de valeurs logiques indiquant, pour chaque cas du jeu de données, si la condition est TRUE. Ici, les 1000 premières valeurs semblent toutes être FALSE. Pour vérifier que tous les cas ont effectivement des valeurs non négatives pour num_char, on peut prendre la somme de ce vecteur :

sum(email$num_char < 0)

C'est un raccourci bien pratique. Lorsque vous faites des opérations arithmétiques sur des valeurs logiques, R traite TRUE comme 1 et FALSE comme 0. Comme la somme sur tout le vecteur est zéro, vous apprenez que chaque cas du jeu de données a pris la valeur FALSE au test. Autrement dit, la colonne num_char se comporte comme prévu et ne prend que des valeurs non négatives.