Toplamları doğrulama

Bu derste accounts veri çerçevesiyle çalışmaya devam edeceksin, ancak bu kez her hesap hakkında biraz daha fazla bilgin var. Hesap sahiplerinin paralarını tutabilecekleri üç farklı fon bulunuyor. Bu egzersizde, her hesaptaki total tutarının fund_A, fund_B ve fund_C içindeki tutarların toplamına eşit olup olmadığını doğrulayacaksın. Eşleşmeyen hesaplar varsa, muhasebede tutarsızlığa yol açan hatanın ne olduğuna dair daha fazla inceleme yapabilirsin.

dplyr yüklü ve accounts kullanılabilir durumda.

Bu egzersiz

R ile Veri Temizleme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Her fondaki tutarların toplamını içeren theoretical_total adlı yeni bir sütun oluştur.
total ile theoretical_total'ın eşleşmediği hesapları bul.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Find invalid totals
accounts %>%
  # theoretical_total: sum of the three funds
  ___ %>%
  # Find accounts where total doesn't match theoretical_total
  ___

Kodu Düzenle ve Çalıştır

Bu egzersiz

R ile Veri Temizleme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: 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: Tekdüzelik Exercise 2: Tarihlerin tekdüzeliği Exercise 3: Para birimi tutarlılığı Exercise 4: Alanlar arası doğrulama Exercise 5: Toplamları doğrulama

Geçerli Egzersiz

Exercise 6: Yaşı doğrulama Exercise 7: Tamlık Exercise 8: Eksiklik türleri Exercise 9: Eksik verileri görselleştirme Exercise 10: Eksik verileri ele alma

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!