次のデータはメーカー本社ビルのお昼の天候情報である（仮想データ）。 このデータのデータクレンジングを行う。
d0 <- read.csv(file = 'https://stats.dip.jp/01_ds/data/dirty_data1.csv')
summary(d0) # 要約統計値 NA's:1 （NAが1つ含まれている）## 会社名 気温 湿度 風速
## Length:22 Min. :12.00 Min. :-50.00 Min. :-1.000
## Class :character 1st Qu.:20.00 1st Qu.: 30.00 1st Qu.: 1.000
## Mode :character Median :32.40 Median : 50.00 Median : 2.000
## Mean :28.18 Mean : 39.73 Mean : 2.052
## 3rd Qu.:34.10 3rd Qu.: 51.00 3rd Qu.: 4.000
## Max. :50.40 Max. : 60.00 Max. : 5.000
## NA's :1 NA's :1library(DT)
datatable(d0)d1 <- na.omit(d0)
summary(d1) # 要約統計値 NAがなくなった。## 会社名 気温 湿度 風速
## Length:20 Min. :12.00 Min. :-50.00 Min. :-1.000
## Class :character 1st Qu.:18.50 1st Qu.: 27.50 1st Qu.: 0.750
## Mode :character Median :32.40 Median : 50.00 Median : 2.000
## Mean :27.97 Mean : 38.55 Mean : 2.105
## 3rd Qu.:34.10 3rd Qu.: 51.00 3rd Qu.: 4.000
## Max. :50.40 Max. : 60.00 Max. : 5.000datatable(d1)値の範囲は過去の最低値・最高値から大体の範囲を決める。
| 気象 | 数値範囲 |
|---|---|
| 気温 | -20～50℃ |
| 湿度 | 0～100％ |
| 風速 | 0～70m/s |
# 各気象変数の許容範囲に入っているか否かを示す論理式を作成
is.tp <- -20 <= d1$気温 & d1$気温 <= 50
is.hm <- 0 <= d1$湿度 & d1$湿度 <= 100
is.ws <- 0 <= d1$風速 & d1$風速 <= 70
summary(is.tp)## Mode FALSE TRUE
## logical 2 18summary(is.hm)## Mode FALSE TRUE
## logical 1 19summary(is.ws)## Mode FALSE TRUE
## logical 1 19# 適切な範囲のレコードだけを抽出する。
d2 <- d1[is.tp & is.hm & is.ws, ]
datatable(d2)| 気象 | 数値型 |
|---|---|
| 気温 | 小数点第1位までの実数 |
| 湿度 | 整数 |
| 風速 | 整数 |
d3 <- d2
d3$気温 <- round(d2$気温, 1)
d3$湿度 <- round(d2$湿度, 0)
d3$風速 <- round(d2$風速, 0)
datatable(d3)同じ内容で表記方法が異なるデータを統一する。
d3$会社名## [1] "ソニー" "Sony" "SONY" "sony"
## [5] "ソニー株式会社" "Sony（株）" "ソニー(株)" "sony"
## [9] "富士通" "Fujitsu" "Fujitu" "FUJITSU"
## [13] "富士通株式会社" "富士通(株)" "fujitsu" "FUJITSU"# ソニー株式会社を意味する表記
LAB.SONY <- c("ソニー", "Sony（株）", "ソニー(株)", "Sony", "SONY", "sony")
# 富士通株式会社を意味する表記
LAB.FUJITSU <- c("富士通", "富士通(株)", "Fujitsu", "FUJITSU", "fujitsu", "Fujitu", "fujitu")
# %in%の記号は右辺の集合に含まれるか否かを示す論理記号
is.sony <- d3$会社名 %in% LAB.SONY
is.fujitsu <- d3$会社名 %in% LAB.FUJITSU
d4 <- d3
# 各メーカーの正式名称に統一
d4$会社名[is.sony] <- 'ソニー株式会社'
d4$会社名[is.fujitsu] <- '富士通株式会社'
d4$会社名## [1] "ソニー株式会社" "ソニー株式会社" "ソニー株式会社" "ソニー株式会社"
## [5] "ソニー株式会社" "ソニー株式会社" "ソニー株式会社" "ソニー株式会社"
## [9] "富士通株式会社" "富士通株式会社" "富士通株式会社" "富士通株式会社"
## [13] "富士通株式会社" "富士通株式会社" "富士通株式会社" "富士通株式会社"# クリーンデータ（clean data）
datatable(d4)import pandas as pd
d0 = pd.read_csv('https://stats.dip.jp/01_ds/data/dirty_data1.csv')
d0.head()## 会社名 気温 湿度 風速
## 0 ソニー 14.0 50.0 4.0
## 1 Sony 38.2 54.0 1.1
## 2 SONY 20.4 20.0 0.0
## 3 sony 34.1 51.0 2.0
## 4 ソニー株式会社 20.0 60.0 4.0d1 = d0.dropna()
d1## 会社名 気温 湿度 風速
## 0 ソニー 14.0000 50.0 4.0
## 1 Sony 38.2000 54.0 1.1
## 2 SONY 20.4000 20.0 0.0
## 3 sony 34.1000 51.0 2.0
## 4 ソニー株式会社 20.0000 60.0 4.0
## 5 Sony（株） 32.4000 49.1 1.0
## 6 ソニー(株) 12.0000 30.0 5.0
## 7 sony 34.1000 51.0 2.0
## 8 SONY 50.4000 20.0 0.0
## 11 ソニー 14.0000 -50.0 4.0
## 12 富士通 14.0000 50.0 4.0
## 13 Fujitsu 38.2000 54.0 1.0
## 14 Fujitu 20.4000 20.0 0.0
## 15 FUJITSU 34.1000 51.0 2.0
## 16 富士通株式会社 20.0000 60.0 4.0
## 17 Fujitsu（株） 32.4000 49.0 -1.0
## 18 富士通(株) 12.0000 30.0 5.0
## 19 fujitsu 34.1134 51.0 2.0
## 20 FUJITSU 50.4000 20.0 0.0
## 21 FUJITSU 34.1000 51.0 2.0is_tp = (-20 <= d1['気温']) & (d1['気温'] <= 50)
is_hm = ( 0 <= d1['湿度']) & (d1['湿度'] <= 100)
is_ws = ( 0 <= d1['風速']) & (d1['風速'] <= 70)
d2 = d1[is_tp & is_hm & is_ws]
d2## 会社名 気温 湿度 風速
## 0 ソニー 14.0000 50.0 4.0
## 1 Sony 38.2000 54.0 1.1
## 2 SONY 20.4000 20.0 0.0
## 3 sony 34.1000 51.0 2.0
## 4 ソニー株式会社 20.0000 60.0 4.0
## 5 Sony（株） 32.4000 49.1 1.0
## 6 ソニー(株) 12.0000 30.0 5.0
## 7 sony 34.1000 51.0 2.0
## 12 富士通 14.0000 50.0 4.0
## 13 Fujitsu 38.2000 54.0 1.0
## 14 Fujitu 20.4000 20.0 0.0
## 15 FUJITSU 34.1000 51.0 2.0
## 16 富士通株式会社 20.0000 60.0 4.0
## 18 富士通(株) 12.0000 30.0 5.0
## 19 fujitsu 34.1134 51.0 2.0
## 21 FUJITSU 34.1000 51.0 2.0d3 = d2
d3 = d2.round({'気温':1, '湿度':0, '風速':0})
d3## 会社名 気温 湿度 風速
## 0 ソニー 14.0 50.0 4.0
## 1 Sony 38.2 54.0 1.0
## 2 SONY 20.4 20.0 0.0
## 3 sony 34.1 51.0 2.0
## 4 ソニー株式会社 20.0 60.0 4.0
## 5 Sony（株） 32.4 49.0 1.0
## 6 ソニー(株) 12.0 30.0 5.0
## 7 sony 34.1 51.0 2.0
## 12 富士通 14.0 50.0 4.0
## 13 Fujitsu 38.2 54.0 1.0
## 14 Fujitu 20.4 20.0 0.0
## 15 FUJITSU 34.1 51.0 2.0
## 16 富士通株式会社 20.0 60.0 4.0
## 18 富士通(株) 12.0 30.0 5.0
## 19 fujitsu 34.1 51.0 2.0
## 21 FUJITSU 34.1 51.0 2.0# ソニー株式会社を意味する表記
LAB_SONY = {"ソニー", "Sony（株）", "ソニー(株)", "Sony", "SONY", "sony"}
# 富士通株式会社を意味する表記
LAB_FUJITSU = {"富士通", "富士通(株)", "Fujitsu", "FUJITSU", "fujitsu", "Fujitu", "fujitu"}
for i, row in d3.iterrows():
if row['会社名'] in LAB_SONY:
d3.at[i, '会社名'] = 'ソニー株式会社'
for i, row in d3.iterrows():
if row['会社名'] in LAB_FUJITSU:
d3.at[i, '会社名'] = '富士通株式会社'
d3## 会社名 気温 湿度 風速
## 0 ソニー株式会社 14.0 50.0 4.0
## 1 ソニー株式会社 38.2 54.0 1.0
## 2 ソニー株式会社 20.4 20.0 0.0
## 3 ソニー株式会社 34.1 51.0 2.0
## 4 ソニー株式会社 20.0 60.0 4.0
## 5 ソニー株式会社 32.4 49.0 1.0
## 6 ソニー株式会社 12.0 30.0 5.0
## 7 ソニー株式会社 34.1 51.0 2.0
## 12 富士通株式会社 14.0 50.0 4.0
## 13 富士通株式会社 38.2 54.0 1.0
## 14 富士通株式会社 20.4 20.0 0.0
## 15 富士通株式会社 34.1 51.0 2.0
## 16 富士通株式会社 20.0 60.0 4.0
## 18 富士通株式会社 12.0 30.0 5.0
## 19 富士通株式会社 34.1 51.0 2.0
## 21 富士通株式会社 34.1 51.0 2.0次はRチャンクで作成（RのdatatableでPythonデータを表示）
library(reticulate)
datatable(py$d3)次のデータをクレンジングせよ。 なお，全天日射量の上限は4.00MJとせよ。
d <- read.csv(file = 'https://stats.dip.jp/01_ds/data/dirty_data2.csv')
datatable(d)