Datan muuntaminen on olennainen vaihe raakadatan valmistelussa analyysia varten. Siihen kuuluu muuttujien muokkaaminen, lisääminen tai uudelleenkoodaus, jotta datasta tulee merkityksellisempää ja valmista analysoitavaksi.

Uusien sarakkeiden luominen

Yleinen muunnos on laskea uusia mittareita olemassa olevista sarakkeista. Esimerkiksi saatat haluta laskea hinnan per kilometri arvioidaksesi, kuinka kustannustehokas ajoneuvo on.

Base R

Voit luoda uuden sarakkeen käyttämällä $-operaattoria määrittääksesi sen nimen ja antamalla sille arvot.

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

dplyr

Uusia sarakkeita voidaan lisätä käyttämällä mutate()-funktiota. mutate()-funktion sisällä määritellään uuden sarakkeen nimi ja kuinka se lasketaan.

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

Tekstipohjaisten numeeristen tietojen muuntaminen ja käsittely

Todellisissa tietoaineistoissa numeerinen tieto on usein tallennettu tekstinä, johon on yhdistetty ei-numeerisia merkkejä. Esimerkiksi moottorin tehoarvot voivat esiintyä muodossa "68 bhp", jotka täytyy puhdistaa ja muuntaa ennen analysointia.

Base R

Voit käyttää gsub()-funktiota poistaaksesi ei-toivotut merkit ja sen jälkeen soveltaa as.numeric()-funktiota muuntaaksesi tuloksen numeeriseksi. Muunnoksen jälkeen voidaan tehdä lisämuunnoksia, kuten jarruvoiman (bhp) muuntaminen kilowateiksi.

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

dplyr

Sama prosessi voidaan virtaviivaistaa käyttämällä mutate()-funktiota. Voit yhdistää tekstin korvaamisen, tyyppimuunnoksen ja uuden sarakkeen luomisen yhteen vaiheeseen, mikä tekee koodista selkeämpää ja helpommin luettavaa.

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

Datan kategorisointi

Voit luoda uusia kategorisia muuttujia ryhmittelemällä jatkuvia arvoja merkityksellisiin luokkiin. Esimerkiksi autot voidaan luokitella Low, Medium tai High hintaluokkiin myyntihinnan perusteella.

Base R

Tämä voidaan tehdä sisäkkäisillä ifelse()-lauseilla. Jokainen ehto tarkistetaan järjestyksessä ja arvo määritetään sen mukaan.

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

dplyr

Voit käyttää case_when()-funktiota korvaamaan sisäkkäiset if-else-lauseet. Tämä mahdollistaa useiden ehtojen kirjoittamisen selkeässä ja luettavassa muodossa.

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