Gruparea variabilelor după proporție
De multe ori nu știi dinainte ce niveluri vrei să combini sau să transformi în „altele". Vrei pur și simplu să păstrezi cele mai frecvente niveluri și să le pui pe toate celelalte într-o categorie „Other". Această abordare este utilă mai ales când există multe niveluri, dintre care cele mai multe apar rar – îți simplifică vizualizarea datelor. Hai să exersăm folosind întrebarea din sondajul Kaggle despre metodele de machine learning pe care respondenții doreau să le încerce în anul următor. Setul de date multiple_choice_responses a fost deja încărcat pentru tine. Când numeri, reține că sort = TRUE corespunde implicit ordinii descrescătoare.
Acest exercițiu face parte din cursul
Date categoriale în Tidyverse
Instrucțiuni pentru exercițiu
- Elimină persoanele care nu au selectat nicio metodă.
- Creează o variabilă nouă,
ml_method, dinMLMethodNextYearSelect, care să păstreze titlurile alese de cel puțin 5% dintre respondenți și să grupeze restul sub eticheta "Other" (valoarea implicită). - În final, numără valorile noii tale variabile, sortate în ordine descrescătoare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
multiple_choice_responses %>%
# Remove NAs of MLMethodNextYearSelect
filter(___) %>%
# Create ml_method, which lumps all those with less than 5% of people into "Other"
mutate(ml_method = ___(MLMethodNextYearSelect, ___)) %>%
# Count the frequency of your new variable, sorted in descending order
___(___, ___)