Datatransformation är ett avgörande steg i att förbereda rådata för analys. Det innebär att modifiera, lägga till eller omkoda variabler för att göra datan mer meningsfull och redo för analys.

Skapa nya kolumner

En vanlig transformation är att beräkna nya mått från befintliga kolumner. Till exempel kan du vilja beräkna pris per kilometer för att utvärdera hur kostnadseffektiv ett fordon är.

Base R

Du kan skapa en ny kolumn genom att använda $-operatorn för att definiera dess namn och tilldela värden till den.

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

dplyr

Nya kolumner kan läggas till med funktionen mutate(). Inuti mutate() anger du namnet på den nya kolumnen och definierar hur den ska beräknas.

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

Konvertering och transformering av textbaserad numerisk data

I verkliga datamängder lagras numerisk information ofta som text kombinerad med icke-numeriska tecken. Till exempel kan motoreffektvärden visas som "68 bhp", vilket måste rensas och konverteras innan analys.

Base R

Du kan använda gsub() för att ta bort oönskad text och sedan använda as.numeric() för att konvertera resultatet till siffror. Efter konvertering kan ytterligare transformationer utföras, såsom att omvandla brake horsepower (bhp) till kilowatt.

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

dplyr

Samma process kan förenklas med ett anrop till mutate(). Du kan kombinera textersättning, typkonvertering och skapande av nya kolumner i ett enda steg, vilket gör koden renare och lättare att läsa.

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

Kategorisering av data

Nya kategoriska variabler kan skapas genom att gruppera kontinuerliga värden i meningsfulla kategorier. Till exempel kan bilar klassificeras i Låg, Medel eller Hög prisklass baserat på deras försäljningspris.

Base R

Detta kan göras med nästlade ifelse()-satser. Varje villkor kontrolleras i ordning och värdet tilldelas därefter.

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

dplyr

Du kan använda funktionen case_when() som ett alternativ till nästlade if-else-satser. Detta möjliggör att flera villkor kan skrivas på ett tydligt och läsbart sätt.

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