Datenumwandlung ist ein entscheidender Schritt bei der Vorbereitung von Rohdaten für die Analyse. Dabei werden Variablen modifiziert, hinzugefügt oder umkodiert, um die Daten aussagekräftiger und analysierbar zu machen.

Neue Spalten erstellen

Eine gängige Umwandlung besteht darin, neue Kennzahlen aus bestehenden Spalten zu berechnen. Beispielsweise kann der Preis pro Kilometer berechnet werden, um die Kosteneffizienz eines Fahrzeugs zu beurteilen.

Base R

Eine neue Spalte kann erstellt werden, indem der $-Operator verwendet wird, um ihren Namen zu definieren und Werte zuzuweisen.

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 sie 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() die Werte in Zahlen umgewandelt werden. Nach der Umwandlung sind weitere Transformationen möglich, wie zum Beispiel die Umrechnung von Bremsleistung (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 einer neuen Spalte 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. Dadurch können mehrere Bedingungen in einem übersichtlichen, gut lesbaren Format geschrieben werden.

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