Strings bijsnijden

In de vorige oefening wist je het juiste gegevenstype te bepalen en user_birth_year om te zetten naar het juiste type, zodat je tellingen kon ophalen die je wat meer inzicht gaven in de gegevensset.

Een ander veelvoorkomend probleem met rommelige data is dat er extra stukjes, zoals procenttekens of punten, in getallen staan, waardoor ze als characters worden ingelezen. Om met deze getallen te kunnen rekenen, moeten die extra stukjes worden verwijderd en moeten de getallen worden geconverteerd van character naar numeric. In deze oefening moet je de kolom duration omzetten van character naar numeric, maar voordat dat kan, moet het woord "minutes" uit elke waarde worden verwijderd.

dplyr, assertive en stringr zijn geladen en bike_share_rides is beschikbaar.

Deze oefening maakt deel uit van de cursus

Data opschonen in R

Cursus bekijken

Oefeninstructies

Gebruik str_remove() om "minutes" te verwijderen uit de kolom duration van bike_share_rides. Voeg dit toe als een nieuwe kolom met de naam duration_trimmed.
Zet de kolom duration_trimmed om naar een numeriek type en voeg dit toe als een nieuwe kolom met de naam duration_mins.
Kijk met glimpse naar bike_share_rides en controleer dat de kolom duration_mins numeric is.
Bereken het gemiddelde van duration_mins.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

bike_share_rides <- bike_share_rides %>%
  # Remove 'minutes' from duration: duration_trimmed
  mutate(duration_trimmed = ___,
         # Convert duration_trimmed to numeric: duration_mins
         duration_mins = ___)

# Glimpse at bike_share_rides
___

# Assert duration_mins is numeric
___

# Calculate mean duration
___

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: Beperkingen op gegevenstypen Exercise 2: Veelvoorkomende gegevenstypen Exercise 3: Gegevenstypen omzetten Exercise 4: Strings bijsnijden

Huidige oefening

Exercise 5: Bereikbeperkingen Exercise 6: Beperkingen voor ritduur Exercise 7: Terug naar de toekomst Exercise 8: Uniciteitsbeperkingen Exercise 9: Volledige duplicaten Exercise 10: Gedeeltelijke duplicaten verwijderen Exercise 11: Gedeeltelijke duplicaten aggregeren

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!