Datenumwandlung ist ein entscheidender Schritt bei der Vorbereitung von Rohdaten für die Analyse. Sie umfasst das Modifizieren, Hinzufügen oder Umkodieren von Variablen, um die Daten aussagekräftiger und analysierbar zu machen.

Neue Spalten erstellen

Eine gängige Umwandlung ist die Berechnung neuer Kennzahlen aus bestehenden Spalten. Beispielsweise kann der Preis pro Kilometer berechnet werden, um die Kosteneffizienz eines Fahrzeugs zu bewerten.

Base R

Eine neue Spalte kann mit dem $-Operator erstellt werden, indem ihr Name definiert und Werte zugewiesen werden.

df$price_per_km <- df$selling_price / df$km_driven
head(df)

dplyr

Neue Spalten können mit der Funktion mutate() hinzugefügt werden. Innerhalb von mutate() wird der Name der neuen Spalte angegeben und definiert, wie diese berechnet werden soll.

df <- df %>%
  mutate(price_per_km = selling_price / km_driven)

Umwandlung und Transformation von textbasierten numerischen Daten

In realen Datensätzen werden numerische Informationen häufig als Text mit nicht-numerischen Zeichen gespeichert. Beispielsweise können Motorleistungswerte als "68 bhp" erscheinen, die vor der Analyse bereinigt und umgewandelt werden müssen.

Base R

Mit gsub() können unerwünschte Texte entfernt und anschließend mit as.numeric() in Zahlen umgewandelt werden. Nach der Umwandlung können weitere Transformationen durchgeführt werden, wie zum Beispiel die Umrechnung von Brake Horsepower (bhp) in Kilowatt.

df$max_power <- as.numeric(gsub(" bhp", "", df$max_power))
df$max_power_kw <- df$max_power * 0.7457  # convert to kilowatts

dplyr

Der gleiche Prozess kann innerhalb eines mutate()-Aufrufs effizienter gestaltet werden. Textersetzung, Typumwandlung und das Erstellen neuer Spalten lassen sich in einem Schritt kombinieren, wodurch der Code übersichtlicher und leichter lesbar wird.

df <- df %>%
  mutate(
    max_power = as.numeric(gsub(" bhp", "", max_power)),
    max_power_kw = max_power * 0.7457
  )

Kategorisierung von Daten

Neue kategoriale Variablen können erstellt werden, indem kontinuierliche Werte in sinnvolle Kategorien gruppiert werden. Beispielsweise lassen sich Autos anhand ihres Verkaufspreises in die Preisbereiche Niedrig, Mittel oder Hoch einteilen.

Base R

Dies kann mit verschachtelten ifelse()-Anweisungen umgesetzt werden. Jede Bedingung wird der Reihe nach geprüft und der Wert entsprechend zugewiesen.

df$price_category <- ifelse(df$selling_price < 300000, "Low",
                            ifelse(df$selling_price < 700000, "Medium", "High"))

dplyr

Die Funktion case_when() kann als Ersatz für verschachtelte if-else-Anweisungen verwendet werden. Dies ermöglicht es, mehrere Bedingungen in einem übersichtlichen, gut lesbaren Format zu schreiben.

df <- df %>%
  mutate(price_category = case_when(
    selling_price < 300000 ~ "Low",
    selling_price < 700000 ~ "Medium",
    TRUE ~ "High"
  ))