Geen lid

Nu je hebt geoefend met het opsporen van problemen met lidmaatschapsrestricties, is het tijd om deze problemen in een nieuwe gegevensset op te lossen. In dit hoofdstuk werk je met een gegevensset genaamd sfo_survey, met enquêteresultaten van passagiers die vliegen vanaf San Francisco International Airport (SFO). Deelnemers kregen vragen over de netheid van de luchthaven, wachttijden, veiligheid en hun algehele tevredenheid.

Bij het verzamelen van de gegevens zijn een paar dingen misgegaan, waardoor er inconsistenties in de gegevensset zitten. In deze oefening werk je met de kolom dest_size, die de grootte aangeeft van de luchthaven van de eindbestemming waar de passagiers naartoe vlogen. Er is een data frame dest_sizes beschikbaar met alle mogelijke bestemmingsgroottes. Jouw missie is om rijen met ongeldige dest_size-waarden te vinden en ze uit het data frame te verwijderen.

dplyr is geladen en sfo_survey en dest_sizes zijn beschikbaar.

Deze oefening maakt deel uit van de cursus

Data opschonen in R

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Count the number of occurrences of dest_size
sfo_survey %>%
  count(___)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Data opschonen in R

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Data type constraints Exercise 2: Common data types Exercise 3: Converting data types Exercise 4: Trimming strings Exercise 5: Range constraints Exercise 6: Ride duration constraints Exercise 7: Back to the future Exercise 8: Uniqueness constraints Exercise 9: Full duplicates Exercise 10: Removing partial duplicates Exercise 11: Aggregating partial duplicates

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: Lidmaatschap controleren Exercise 2: Alleen voor leden Exercise 3: Geen lid

Huidige oefening

Exercise 4: Problemen met categorische data Exercise 5: Inconsistenties herkennen Exercise 6: Inconsistenties corrigeren Exercise 7: Categorieën samenvoegen Exercise 8: Tekstgegevens opschonen Exercise 9: Inconsistente tekstgegevens opsporen Exercise 10: Vervangen en verwijderen Exercise 11: Ongeldige telefoonnummers

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!