Aan de slagBegin gratis

Dataintegriteit

Tijdens het verkennen van een gegevensset kom je soms iets tegen waardoor je je gaat afvragen hoe de gegevens zijn samengesteld. Zo bevat de variabele num_char het aantal tekens in de e-mail, in duizendtallen. Die kan dus decimale waarden aannemen, maar zeker geen negatieve waarden.

Je kunt een test formuleren om te controleren of deze variabele zich gedraagt zoals verwacht:

email$num_char < 0

Als je deze code in de console uitvoert, krijg je een lange vector met logische waarden die voor elk geval in de gegevensset aangeeft of die voorwaarde TRUE is. Hier lijken de eerste 1000 waarden allemaal FALSE te zijn. Om te controleren of alle gevallen inderdaad niet-negatieve waarden hebben voor num_char, kunnen we de som van deze vector nemen:

sum(email$num_char < 0)

Dit is een handig trucje. Wanneer je rekent met logische waarden, behandelt R TRUE als 1 en FALSE als 0. Omdat de som over de hele vector nul is, weet je dat elk geval in de gegevensset de waarde FALSE had in de test. Met andere woorden: de kolom num_char gedraagt zich zoals verwacht en bevat alleen niet-negatieve waarden.

Deze oefening maakt deel uit van de cursus

Exploratory data-analyse in R

Bekijk cursus

Oefeninstructies

Bekijk de variabelen image en attach. Je kunt erover lezen met ?email, maar het helpbestand is onduidelijk: tellen bijgevoegde afbeeldingen in deze gegevensset mee als bijlagen?

Ontwerp een eenvoudige test om te bepalen of afbeeldingen meetellen als bijlagen. Dit houdt in dat je een logische voorwaarde maakt om de waarden van de twee variabelen te vergelijken en vervolgens sum() gebruikt om elk geval in de gegevensset te beoordelen. Denk eraan dat de logische operatoren < voor kleiner dan, <= voor kleiner dan of gelijk aan, > voor groter dan, >= voor groter dan of gelijk aan en == voor gelijk aan zijn.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Test if images count as attachments
Code bewerken en uitvoeren