<\/p>\n
Pembersihan data<\/strong> mengacu pada proses mengubah data mentah<\/a> menjadi data yang sesuai untuk analisis atau pembuatan model.<\/span><\/p>\n Dalam kebanyakan kasus, “pembersihan” kumpulan data melibatkan penanganan nilai yang hilang dan data duplikat.<\/span><\/p>\n Berikut adalah metode paling umum untuk “membersihkan” kumpulan data di R:<\/span><\/p>\n Metode 1: Hapus baris dengan nilai yang hilang<\/strong><\/span><\/p>\n Metode 2: Ganti nilai yang hilang dengan nilai lain<\/strong><\/span><\/p>\n Metode 3: Hapus Baris Duplikat<\/strong><\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan masing-masing metode ini dalam praktik dengan kerangka data berikut di R yang berisi informasi tentang berbagai pemain bola basket:<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk menghapus baris dengan nilai yang hilang di kolom mana pun:<\/span><\/p>\n Perhatikan bahwa bingkai data baru tidak berisi baris apa pun dengan nilai yang hilang.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk mengganti nilai yang hilang dengan nilai median setiap kolom:<\/span><\/p>\n Perhatikan bahwa nilai yang hilang di setiap kolom numerik masing-masing telah diganti dengan nilai median kolom tersebut.<\/span><\/p>\n Perhatikan bahwa Anda juga dapat mengganti median<\/strong> dalam rumus dengan mean<\/strong> untuk mengganti nilai yang hilang dengan nilai mean setiap kolom.<\/span><\/p>\n Catatan<\/strong> : Kami juga harus memuat paket Tidyr<\/strong> dalam contoh ini karena fungsi drop_na()<\/strong> berasal dari paket tersebut.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk mengganti nilai yang hilang dengan nilai median setiap kolom:<\/span><\/p>\n Perhatikan bahwa baris kedua telah dihapus dari bingkai data karena setiap nilai di baris kedua merupakan duplikat dari nilai di baris pertama.<\/span><\/p>\n Catatan<\/strong> : Anda dapat menemukan dokumentasi lengkap untuk fungsi dplyr berbeda()<\/strong> di sini<\/a> .<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara mengelompokkan dan meringkas data di R<\/a> Pembersihan data mengacu pada proses mengubah data mentah menjadi data yang sesuai untuk analisis atau pembuatan model. Dalam kebanyakan kasus, “pembersihan” kumpulan data melibatkan penanganan nilai yang hilang dan data duplikat. Berikut adalah metode paling umum untuk “membersihkan” kumpulan data di R: Metode 1: Hapus baris dengan nilai yang hilang library (dplyr) #remove rows with […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n library<\/span> (dplyr)\n\n#remove rows with any missing values\n<\/span>df %>% na. omit<\/span> ()\n<\/strong><\/pre>\n library<\/span> (dplyr)\nlibrary<\/span> (tidyr)\n\n#replace missing values in each numeric column with median value of column\n<\/span>df %>% mutate(across(where(is. numeric<\/span> ), ~replace_na(., median(., na. rm<\/span> = TRUE<\/span> ))))\n<\/strong><\/pre>\n library<\/span> (dplyr)\n\ndf %>% distinct(. keep_all<\/span> = TRUE<\/span> )\n<\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (team=c('A', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I'),\n points=c(4, 4, NA, 8, 6, 12, 14, 86, 13, 8),\n rebounds=c(9, 9, 7, 6, 8, NA, 9, 14, 12, 11),\n assists=c(2, 2, NA, 7, 6, 6, 9, 10, NA, 14))\n\n#view data frame\n<\/span>df\n\n team points rebound assists\n1 to 4 9 2\n2 to 4 9 2\n3 B NA 7 NA\n4 C 8 6 7\n5 D 6 8 6\n6 E 12 NA 6\n7 F 14 9 9\n8 G 86 14 10\n9:13:12 NA\n10 I 8 11 14\n<\/strong><\/pre>\n Contoh 1: Hapus baris dengan nilai yang hilang<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)\n\n#remove rows with missing values\n<\/span>new_df <- df %>% na. omit<\/span> ()\n\n#view new data frame\n<\/span>new_df\n\n team points rebound assists\n1 to 4 9 2\n2 to 4 9 2\n4 C 8 6 7\n5 D 6 8 6\n7 F 14 9 9\n8 G 86 14 10\n10 I 8 11 14<\/strong><\/pre>\n Contoh 2: Ganti nilai yang hilang dengan nilai lain<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)\nlibrary<\/span> (tidyr)\n\n#replace missing values in each numeric column with median value of column\n<\/span>new_df <-df %>% mutate(across(where(is. numeric<\/span> ),~replace_na(.,median(.,na. rm<\/span> = TRUE<\/span> )))) \n\n#view new data frame\n<\/span>new_df\n\n team points rebound assists\n1 to 4 9 2.0\n2 to 4 9 2.0\n3 B 8 7 6.5\n4 C 8 6 7.0\n5 D 6 8 6.0\n6 E 12 9 6.0\n7 F 14 9 9.0\n8 G 86 14 10.0\n9:13 12 6.5\n10 I 8 11 14.0<\/strong><\/pre>\n Contoh 3: Hapus baris duplikat<\/strong><\/span><\/h2>\n
library<\/span> (dplyr)\n\n#remove duplicate rows\n<\/span>new_df <- df %>% distinct(. keep_all<\/span> = TRUE<\/span> )\n\n#view new data frame\n<\/span>new_df\n\n team points rebound assists\n1 to 4 9 2\n2 B NA 7 NA\n3 C 8 6 7\n4 D 6 8 6\n5 E 12 NA 6\n6 F 14 9 9\n7 G 86 14 10\n8:13:12 NA\n9 I 8 11 14<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara membuat tabel ringkasan di R<\/a>
Cara menghapus baris dengan nilai yang hilang di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"