在本章中，您将学习如何解决最常见的脏数据问题。您会转换数据类型，应用取值范围约束以移除不合理的未来时间点，并删除重复的数据点以避免重复计数。

数据类型约束

常见数据类型

转换数据类型

修剪字符串

范围约束

骑行时长范围约束

回到未来

唯一性约束

完全重复

移除部分重复项

汇总部分重复值

常见数据问题

由于非结构化特性，分类与文本数据往往是数据集中最混乱的部分。在本章中，您将学习如何修复类别标签中的空白和大小写不一致问题，将多个类别合并为一个，并重新格式化字符串以保持一致性。

检查成员关系

仅限成员

非成员

分类数据中的常见问题

识别不一致性

纠正不一致性

合并类别

清理文本数据

检测文本数据中的不一致

替换与移除

无效的电话号码

分类与文本数据

在本章中，您将深入探讨更高级的数据清洗问题，例如确保重量统一以千克而非磅表示。您还将掌握关键技能，帮助您核对数值是否录入正确，以及确保缺失值不会对分析产生负面影响。

一致性

日期一致性

货币统一性

跨字段验证

验证总额

验证年龄

完整性

选项

完全随机缺失

随机缺失

非随机缺失

缺失类型

可视化缺失数据

处理缺失数据

高级数据问题

记录链接是一种强大的技术，用于在数值存在拼写错误或不同写法时合并多个数据集。在本章中，您将学习通过计算字符串相似度来链接记录——随后将运用新技能，把两份餐厅点评数据集合并为一个干净的主数据集。

比较字符串

计算距离

距离小，差异小

用字符串距离修正拼写错误

生成并比较配对

链接还是连接？

配对阻断（Pair blocking）

比较配对

打分与链接

先评分再筛选，还是先筛选再评分？

整合所学

恭喜您！

记录链接

Bike Sharing

Fodor's

Zagat

SFO Satisfaction Survey

Customer Accounts

<h2>解决 R 中常见的数据问题，如去重</h2>
人们常说，数据科学家 80% 的时间用于清洗和整理数据，只有 20% 的时间用于分析。清洗阶段至关重要，因为在脏数据上分析，往往会得出不准确的结论。
<br><br>
在本课程中，您将学习使用 R 清洗脏数据的多种技术。您将从转换数据类型、应用取值范围约束，以及处理完全和部分重复开始，以避免重复计数。
<br><br>
<h2>深入应对更高级的数据挑战</h2>
在练习解决常见数据问题之后，您将继续学习更高级的内容，例如确保度量单位一致，以及处理缺失数据。每学完一个新概念，您都将完成一个动手练习，以巩固所学并积累实战经验。
<br><br>
<h2>在数据清洗中学习使用记录链接</h2>
记录链接用于在数值存在拼写错误或不同写法时，将多个数据集合并在一起。您将在最后一章学习这一实用技术，并通过实践，将两个餐厅点评数据集合并为一个数据集。

<h2>在 R 中解决常见数据问题，如删除重复项 </h2>
人们常说，数据科学家80%的时间都在清洗和处理数据，只有20%的时间用于分析数据。 清洗数据所花的时间至关重要，因为分析脏数据可能会导致你得出不准确的结论。
<br><br>
在本课程中，你将学习多种技巧，帮助你使用 R 清理脏数据。你将从转换数据类型、应用范围约束以及处理完全重复和部分重复开始，以避免重复计数。
<br><br>
<h2>深入探索高级数据挑战 </h2>
一旦你已经实践了处理常见数据问题，你将继续应对更高级的挑战，例如确保测量的一致性以及处理缺失数据。 在每个新概念之后，你都将有机会完成一个实践练习，以巩固所学知识并积累经验。
<br><br>
<h2>学习在数据清洗过程中使用记录链接 </h2>
记录链接用于在数据集中的值存在拼写错误或不同拼写等问题时，将它们合并在一起。 您将在最后一章中探索这一实用技术，并通过将其用于把两个餐厅评论数据集合并为一个数据集来实践应用。

Joining Data with dplyr

快速准确地清理数据，助力企业从原始数据到卓越洞察。

R 中的数据清洗

学习如何尽可能快速准确地清洗数据，帮助你从原始数据转化为精彩洞察。

数据科学家助理 在 R 中

导入与清洗数据  在 R 中

问卷在邮寄过程中被随机遗失。

只有来自某个学区的学生测试分数缺失，其他学区的不缺失。

年轻人去看医生时更不容易测量血压，因此其病历中的血压数据缺失。

秤的上限是 30 lbs，因此超过 30 lbs 的货件没有记录到重量。

夜班期间检测的血样更容易被污染，导致结果缺失，但并未记录检测时间。

缺失类型

R 中的数据清洗

动手互动练习