Integritatea datelor
În procesul de explorare a unui set de date, vei întâlni uneori ceva care te va face să te întrebi cum au fost colectate datele. De exemplu, variabila num_char conține numărul de caractere din email, exprimat în mii, deci poate lua valori zecimale — dar cu siguranță nu ar trebui să ia valori negative.
Poți formula un test pentru a verifica dacă această variabilă se comportă așa cum ne așteptăm:
email$num_char < 0
Dacă rulezi acest cod în consolă, vei obține un vector lung de valori logice care indică, pentru fiecare observație din set, dacă acea condiție este TRUE. Aici, primele 1.000 de valori par să fie FALSE. Pentru a verifica că toate observațiile au valori non-negative pentru num_char, putem calcula suma acestui vector:
sum(email$num_char < 0)
Acesta este un shortcut foarte util. Când efectuezi operații aritmetice pe valori logice, R tratează TRUE ca 1 și FALSE ca 0. Deoarece suma întregului vector este zero, afli că fiecare observație din set a luat valoarea FALSE în cadrul testului. Cu alte cuvinte, coloana num_char se comportă conform așteptărilor și conține doar valori non-negative.
Acest exercițiu face parte din cursul
Exploratory Data Analysis în R
Instrucțiuni pentru exercițiu
Analizează variabilele image și attach. Le poți consulta cu ?email, însă fișierul de ajutor este ambiguu: oare imaginile atașate sunt contorizate ca fișiere atașate în acest set de date?
Creează un test simplu pentru a determina dacă imaginile sunt tratate ca fișiere atașate. Acest lucru presupune formularea unei condiții logice care să compare valorile celor două variabile, urmată de utilizarea funcției sum() pentru a evalua fiecare observație din set. Reamintește-ți că operatorii logici sunt < pentru mai mic decât, <= pentru mai mic sau egal cu, > pentru mai mare decât, >= pentru mai mare sau egal cu și == pentru egal cu.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Test if images count as attachments