La trasformazione dei dati è una fase cruciale nella preparazione dei dati grezzi per l'analisi. Consiste nel modificare, aggiungere o ricodificare variabili per rendere i dati più significativi e pronti per l'analisi.

Creazione di nuove colonne

Una trasformazione comune consiste nel calcolare nuovi indicatori a partire da colonne esistenti. Ad esempio, si potrebbe voler calcolare il prezzo per chilometro per valutare quanto sia conveniente un veicolo.

Base R

È possibile creare una nuova colonna utilizzando l'operatore $ per definirne il nome e assegnarvi dei valori.

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

dplyr

Nuove colonne possono essere aggiunte utilizzando la funzione mutate(). All'interno di mutate(), si specifica il nome della nuova colonna e si definisce come deve essere calcolata.

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

Conversione e trasformazione di dati numerici basati su testo

Nei dataset reali, le informazioni numeriche sono spesso memorizzate come testo combinato con caratteri non numerici. Ad esempio, i valori della potenza del motore possono apparire come "68 bhp", che devono essere puliti e convertiti prima dell'analisi.

Base R

È possibile utilizzare gsub() per rimuovere il testo indesiderato e poi applicare as.numeric() per convertire il risultato in numeri. Dopo la conversione, possono essere eseguite ulteriori trasformazioni, come la conversione della potenza in cavalli (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

Lo stesso processo può essere semplificato all'interno di una chiamata mutate(). È possibile combinare la sostituzione di testo, la conversione del tipo e la creazione di una nuova colonna in un unico passaggio, rendendo il codice più pulito e leggibile.

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

Categorizzazione dei dati

È possibile creare nuove variabili categoriche raggruppando valori continui in categorie significative. Ad esempio, le auto possono essere classificate in fasce di prezzo Basso, Medio o Alto in base al loro prezzo di vendita.

Base R

Questo può essere fatto con istruzioni ifelse() annidate. Ogni condizione viene verificata in ordine e il valore viene assegnato di conseguenza.

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

dplyr

È possibile utilizzare la funzione case_when() come sostituto delle istruzioni if-else annidate. Questo consente di scrivere più condizioni in un formato chiaro e leggibile.

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