Aggregare duplicati parziali

Un altro modo per gestire i duplicati parziali è calcolare una statistica di sintesi dei valori che differiscono tra i duplicati parziali, come media, mediana, massimo o minimo. Questo può tornare utile quando non sai come sono stati raccolti i dati e vuoi una media, oppure se, in base alla conoscenza del dominio, preferisci avere una stima troppo alta piuttosto che troppo bassa (o viceversa).

dplyr è caricato e bike_share_rides è disponibile.

Questo esercizio fa parte del corso

Pulizia dei dati in R

Visualizza il corso

Istruzioni dell'esercizio

Raggruppa bike_share_rides per ride_id e date.
Aggiungi una colonna chiamata duration_min_avg che contenga la durata media del ride per il ride_id e la date della riga.
Rimuovi i duplicati in base a ride_id e date, mantenendo tutte le colonne del data frame.
Rimuovi la colonna duration_min.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

bike_share_rides %>%
  # Group by ride_id and date
  ___ %>%
  # Add duration_min_avg column
  mutate(duration_min_avg = ___ ) %>%
  # Remove duplicates based on ride_id and date, keep all cols
  ___ %>%
  # Remove duration_min column
  ___(-___)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Pulizia dei dati in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, you'll learn how to overcome some of the most common dirty data problems. You'll convert data types, apply range constraints to remove future data points, and remove duplicated data points to avoid double-counting.

Exercise 1: Vincoli sui tipi di dati Exercise 2: Tipi di dati comuni Exercise 3: Conversione dei tipi di dato Exercise 4: Pulizia di stringhe Exercise 5: Vincoli di intervallo Exercise 6: Vincoli sulla durata delle corse Exercise 7: Ritorno al futuro Exercise 8: Vincoli di unicità Exercise 9: Duplicati completi Exercise 10: Rimozione dei duplicati parziali Exercise 11: Aggregare duplicati parziali

Esercizio in corso

Categorical and text data can often be some of the messiest parts of a dataset due to their unstructured nature. In this chapter, you’ll learn how to fix whitespace and capitalization inconsistencies in category labels, collapse multiple categories into one, and reformat strings for consistency.

Exercise 1: Checking membership Exercise 2: Members only Exercise 3: Not a member Exercise 4: Categorical data problems Exercise 5: Identifying inconsistency Exercise 6: Correcting inconsistency Exercise 7: Collapsing categories Exercise 8: Cleaning text data Exercise 9: Detecting inconsistent text data Exercise 10: Replacing and removing Exercise 11: Invalid phone numbers

In this chapter, you’ll dive into more advanced data cleaning problems, such as ensuring that weights are all written in kilograms instead of pounds. You’ll also gain invaluable skills that will help you verify that values have been added correctly and that missing values don’t negatively impact your analyses.

Exercise 1: Uniformity Exercise 2: Date uniformity Exercise 3: Currency uniformity Exercise 4: Cross field validation Exercise 5: Validating totals Exercise 6: Validating age Exercise 7: Completeness Exercise 8: Types of missingness Exercise 9: Visualizing missing data Exercise 10: Treating missing data

Record linkage is a powerful technique used to merge multiple datasets together, used when values have typos or different spellings. In this chapter, you'll learn how to link records by calculating the similarity between strings—you’ll then use your new skills to join two restaurant review datasets into one clean master dataset.

Exercise 1: Comparing strings Exercise 2: Calculating distance Exercise 3: Small distance, small difference Exercise 4: Fixing typos with string distance Exercise 5: Generating and comparing pairs Exercise 6: Link or join?Exercise 7: Pair blocking Exercise 8: Comparing pairs Exercise 9: Scoring and linking Exercise 10: Score then select or select then score?Exercise 11: Putting it together Exercise 12: Congratulations!