完全重複
バイクシェアのデータパイプラインをより効率化する更新が行われましたが、その結果として重複が発生しやすくなったと通知されました。毎週の走行統計の分析で同じスクリプトを引き続き使えるようにするため、まずはデータセット内の重複を必ず取り除く必要があります。
データフレームの複数行がすべての列で同じ値を持つ場合、それらは互いに「完全重複」です。このような重複を削除することは重要です。同じ値が複数回現れると、平均値や中央値などの要約統計量が歪む可能性があるからです。各ライドは ride_id を含めて一意であるべきです。
dplyr は読み込まれており、bike_share_rides が利用可能です。
この演習はコースの一部です
Rでのデータクリーニング
演習の手順
bike_share_ridesに含まれる完全重複の総数を取得します。bike_share_ridesからすべての完全重複を削除し、新しいデータフレームをbike_share_rides_uniqueとして保存します。- 新しいデータフレーム
bike_share_rides_uniqueに含まれる完全重複の総数を取得します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Count the number of full duplicates
___
# Remove duplicates
bike_share_rides_unique <- ___
# Count the full duplicates in bike_share_rides_unique
___