Làm sạch dữ liệu trong R

Dữ liệu phân loại và văn bản thường là phần lộn xộn nhất của một tập dữ liệu do tính chất phi cấu trúc. Trong chương này, bạn sẽ học cách sửa khoảng trắng và không nhất quán về viết hoa trong nhãn danh mục, gộp nhiều danh mục thành một, và định dạng lại chuỗi để đảm bảo nhất quán.

Trong chương này, bạn sẽ đi sâu vào các vấn đề làm sạch dữ liệu nâng cao hơn, chẳng hạn như đảm bảo tất cả khối lượng đều được ghi bằng kilogram thay vì pound. Bạn cũng sẽ trang bị những kỹ năng quý giá giúp bạn xác minh rằng các giá trị đã được nhập đúng và giá trị bị thiếu không làm ảnh hưởng tiêu cực đến phân tích.

Record linkage là một kỹ thuật mạnh mẽ dùng để gộp nhiều tập dữ liệu lại với nhau khi các giá trị có lỗi chính tả hoặc cách viết khác nhau. Trong chương này, bạn sẽ học cách liên kết bản ghi bằng cách tính độ tương đồng giữa các chuỗi—sau đó bạn sẽ dùng kỹ năng mới để nối hai tập dữ liệu đánh giá nhà hàng thành một tập dữ liệu tổng sạch.