Dataset 1:

Dataset 2:

1 Unificando o conjunto de dados

1.1 Seleção de colunas

Colunas do dataset1

print(colnames(dataset1))
##  [1] "App"            "Category"       "Rating"         "Reviews"       
##  [5] "Size"           "Installs"       "Type"           "Price"         
##  [9] "Content.Rating" "Genres"         "Last.Updated"   "Current.Ver"   
## [13] "Android.Ver"

Colunas do dataset2

print(colnames(dataset2))
##  [1] "App.Name"          "App.Id"            "Category"         
##  [4] "Rating"            "Rating.Count"      "Installs"         
##  [7] "Minimum.Installs"  "Maximum.Installs"  "Free"             
## [10] "Price"             "Currency"          "Size"             
## [13] "Minimum.Android"   "Developer.Id"      "Developer.Website"
## [16] "Developer.Email"   "Released"          "Last.Updated"     
## [19] "Content.Rating"    "Privacy.Policy"    "Ad.Supported"     
## [22] "In.App.Purchases"  "Editors.Choice"    "Scraped.Time"

Considerando que o dataset1 possui um número inferior de colunas em comparação com o dataset2, optou-se por selecionar um conjunto de colunas que representasse a interseção entre ambos conjuntos de dados(os nomes exibidos são pertinentes ao dataset1):

  • App: O nome do aplicativo.
  • Category: A categoria à qual o aplicativo pertence.
  • Rating: A classificação do aplicativo na Play Store.
  • Reviews: O número de avaliações recebidas na Play Store.
  • Size: O tamanho do aplicativo quando instalado.
  • Installs: O número de instalações do aplicativo.
  • Type: O tipo de aplicativo, que pode ser gratuito ou pago.
  • Price: O preço do aplicativo, caso seja pago.
  • Genre: O gênero ou tema do aplicativo.
  • Last Updated: A data do último update do aplicativo.
  • Android Ver: A versão mínima do Android suportada pelo aplicativo.

1.2 Ajustando o nome das colunas

Tendo em vista que as colunas selecionadas não apresentam os mesmo nome em ambos datasets, todos os nomes no dataset1 serão atualizados para o padrão do dataset2.

Conjunto de colunas renomeadas:

  • App -> App Name
  • Reviews -> Rating Count
  • Type -> Free
  • Genres -> Category
  • Android.Ver -> Minimum Android

Foi necessário remover a coluna “Category” já existente no dataset antes de aplicar os novos nomes.

# Removendo coluna "Category"
dataset1 <- dataset1 %>%
  select(-Category)

# Renomeando colunas
dataset1 <- dataset1 %>% 
  rename(App.Name = App, Rating.Count = Reviews, Free = Type, Category = Genres, Minimum.Android = Android.Ver)

#Dataset1 renomeado
print(colnames(dataset1))
##  [1] "App.Name"        "Rating"          "Rating.Count"    "Size"           
##  [5] "Installs"        "Free"            "Price"           "Content.Rating" 
##  [9] "Category"        "Last.Updated"    "Current.Ver"     "Minimum.Android"

1.3 Removendo colunas que não serão utilizadas

Nesta etapa, serão eliminadas todas as colunas que não serão utilizadas no projeto

# Removendo colunas não utilizada no dataset1
dataset1 <- dataset1 %>%
  select(-Content.Rating, -Current.Ver)

# Obetendo o conjunto de colunas em comum entre os dois datasets
colunas_comuns <- intersect(names(dataset1), names(dataset2))

# Selecionar apenas as colunas comuns do segundo dataset
dataset2 <- dataset2[colunas_comuns]

1.4 Unindo os datasets

Nesta fase, procederemos à fusão dos dois datasets, utilizando a coluna ‘App.Name’ como chave única. Apenas as colunas do dataset1 serão preservadas durante esse processo de união.

# Unir os datasets usando rbind
dataset_final <- unique(rbind(dataset1, dataset2))

summary(dataset_final)
##    App.Name             Rating       Rating.Count           Size          
##  Length:2323195     Min.   : 0.000   Length:2323195     Length:2323195    
##  Class :character   1st Qu.: 0.000   Class :character   Class :character  
##  Mode  :character   Median : 3.000   Mode  :character   Mode  :character  
##                     Mean   : 2.211                                        
##                     3rd Qu.: 4.300                                        
##                     Max.   :19.000                                        
##                     NA's   :24346                                         
##    Installs             Free              Price             Category        
##  Length:2323195     Length:2323195     Length:2323195     Length:2323195    
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Last.Updated       Minimum.Android   
##  Length:2323195     Length:2323195    
##  Class :character   Class :character  
##  Mode  :character   Mode  :character  
##                                       
##                                       
##                                       
## 

2 Ajustando os dados

summary(dataset_final)
##    App.Name             Rating       Rating.Count           Size          
##  Length:2323195     Min.   : 0.000   Length:2323195     Length:2323195    
##  Class :character   1st Qu.: 0.000   Class :character   Class :character  
##  Mode  :character   Median : 3.000   Mode  :character   Mode  :character  
##                     Mean   : 2.211                                        
##                     3rd Qu.: 4.300                                        
##                     Max.   :19.000                                        
##                     NA's   :24346                                         
##    Installs             Free              Price             Category        
##  Length:2323195     Length:2323195     Length:2323195     Length:2323195    
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Last.Updated       Minimum.Android   
##  Length:2323195     Length:2323195    
##  Class :character   Class :character  
##  Mode  :character   Mode  :character  
##                                       
##                                       
##                                       
## 

2.1 Coluna “Free”

A coluna “Free” contém valores booleanos, assumindo o valor True se o aplicativo for gratuito e False se for pago.

##Ajustando coluna Free para Booleano
dataset_final$Free <- dataset_final$Free == "Free"

#Exibindo valores únicos
print(unique(dataset_final$Free))
## [1]  TRUE FALSE

2.2 Coluna “Size”

Todos os valores serão convertidos para Kbytes e será preservado apenas o valor em si, sem letras.

## Função para converter tamanhos para Kbytes
converter_tamanho <- function(tamanho) {
  if (grepl("M", tamanho)) {
    return(as.numeric(gsub("M", "", tamanho)) * 1024)
  } else if (grepl("k", tamanho)) {
    return(as.numeric(gsub("k", "", tamanho)))
  } else {
    return(NA)
  }
}
# Aplicar a função para converter tamanhos
suppressWarnings({
dataset_final$Size <- sapply(dataset_final$Size, converter_tamanho)
})

Tendo em vista que existem valores vazios, deve-se analisar a distribuição dos dados para preencher os dados faltantes.

# Sumário da coluna
summary(dataset_final$Size)
##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max.      NA's 
##       3.2    5017.6   10240.0   19678.1   25600.0 1019904.0     77498
# Plotando um hisograma
hist(dataset_final$Size[!is.na(dataset_final$Size)], main="Histograma da Coluna Size", xlab="Valores em Kbytes", ylab="Frequência", col="skyblue", border="black")

Como se pode observar no histograma, o formato de “Sino” não esta presente. Além disso, existem outliers representativos. Neste caso a solução mais adequada é substituir os dados faltantes pela mediana.

# Recuperando a mediana
mediana_coluna <- median(dataset_final$Size, na.rm = TRUE)
dataset_final$Size <- ifelse(is.na(dataset_final$Size), mediana_coluna, dataset_final$Size)

2.3 Coluna “Installs”

Todos valores apresentam o sinal “+” ao final para indicar que o valor real é ligeiramente superior ao exibido. Para o propósito da análise, a aproximação do valor é suficiente e, portanto, serão removidos todos os sinais “+” e os valores serão transformados em valores numérios.

suppressWarnings({
dataset_final$Installs <- as.integer(gsub("\\+$", "", dataset_final$Installs))
})

Tendo em vista que existem valores vazios, deve-se analisar a distribuição dos dados para preencher os dados faltantes.

# Sumário da coluna
summary(dataset_final$Installs)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     0.0    10.0   100.0   120.3   100.0   500.0 1067752
# Plotando um hisograma
hist(dataset_final$Installs[!is.na(dataset_final$Installs)], main="Histograma da Coluna Installs", xlab="Número de instalações", ylab="Frequência", col="skyblue", border="black")

```