Bài 1
Khám bệnh cho dữ liệu thô
Nhiệm vụ:
pacman,
rio, tidyverse.if (!require("pacman")) install.packages("pacman")
pacman::p_load(rio, tidyverse)rio::import() để nạp file dữ liệu vào.df_raw <- rio::import("raw_health_survey.csv")summary() và glimpse() để kiểm
tra tổng quan.summary(df_raw)## ID Age Gender Heart_Rate
## Min. : 1.00 Min. : 0.00 Length:250 Min. : 50.00
## 1st Qu.: 63.25 1st Qu.: 37.25 Class :character 1st Qu.: 68.50
## Median :125.50 Median : 46.00 Mode :character Median : 76.00
## Mean :125.50 Mean : 56.60 Mean : 75.86
## 3rd Qu.:187.75 3rd Qu.: 53.00 3rd Qu.: 82.50
## Max. :250.00 Max. :999.00 Max. :106.00
## NA's :15
## Weight Income
## Min. : 17.70 Length:250
## 1st Qu.: 54.70 Class :character
## Median : 65.35 Mode :character
## Mean : 66.04
## 3rd Qu.: 76.58
## Max. :103.20
## NA's :20glimpse(df_raw)## Rows: 250
## Columns: 6
## $ ID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, …
## $ Age <int> 51, 32, 47, 44, 37, 15, 36, 33, 46, 39, 40, 999, 42, 42, 14…
## $ Gender <chr> "nam", "nu", "1", "0", "nam", "Female", "F", "0", "M", "nu"…
## $ Heart_Rate <int> 73, 80, 61, 71, 83, 76, 78, 62, 80, 70, 58, 81, 75, 68, 78,…
## $ Weight <dbl> 103.2, NA, 74.3, NA, 75.8, NA, NA, NA, 57.3, NA, NA, NA, NA…
## $ Income <chr> "High", "Medium", "High", NA, "High", "Medium", "Medium", "…[CẢM NGHĨ VÀ TƯ DUY CỦA BẠN]
Câu hỏi: Từ kết quả summary(), bạn phát hiện ra
những điểm bất thường (Outliers) nào vô lí về mặt sinh học? Ở biến
Gender, bạn thấy người nhập liệu đã gây ra thảm họa gì?
Trả lời:
- Outliers về mặt sinh học rút ra được từ kết quả
summary():
+ Age:
Min = 0
Max = 999
+ Weight:
Min = 17.7
- Ở biến Gender, từ kết quả glimpse() ta
thấy, người nhập liệu dùng nhiều cách khác nhau để miêu tả cho cùng một
giới tính
unique(df_raw$Gender)## [1] "nam" "nu" "1" "0" "Female" "F" "M" "Male"=> Gây khó khăn cho phân tích và cần được làm sạch trước khi xử lý.
Bài 2
Làm sạch dữ liệu (Data Cleaning)
Nhiệm vụ:
dplyr (mutate,
filter, ifelse, case_when) để dọn
dẹp.NA.Gender về một chuẩn duy nhất là
"Male" và "Female".df_clean.library(dplyr)
# Gọi 'dplyr' để làm sạch dữ liệu
df_clean <- df_raw %>%
mutate(
# Dùng mutate để sửa thông tin trong 3 cột Age, Weight, Gender
Age = ifelse(Age <= 0 | Age > 120, NA, Age),
# Đổi các tuổi <= 0 hoặc > 120 thành NA
Weight = ifelse(Weight < 30,NA, Weight),
# Đổi các cân nặng < 30 thành NA
Gender = case_when(
Gender %in% c("M", "Male", "male", "nam", "1") ~ "Male",
Gender %in% c("F", "Female", "female", "nu", "0") ~ "Female"
# Thống nhất giới tính lại thành chỉ có 2 giá trị là Male với Female
)
)[CẢM NGHĨ VÀ TƯ DUY CỦA BẠN]
Câu hỏi: So sánh bảng dữ liệu trước và sau khi làm sạch, bạn cảm thấy thế nào về vai trò của việc mã hóa dữ liệu?
Trả lời:
- So sánh trước với sau làm sạch
summary(df_raw)## ID Age Gender Heart_Rate
## Min. : 1.00 Min. : 0.00 Length:250 Min. : 50.00
## 1st Qu.: 63.25 1st Qu.: 37.25 Class :character 1st Qu.: 68.50
## Median :125.50 Median : 46.00 Mode :character Median : 76.00
## Mean :125.50 Mean : 56.60 Mean : 75.86
## 3rd Qu.:187.75 3rd Qu.: 53.00 3rd Qu.: 82.50
## Max. :250.00 Max. :999.00 Max. :106.00
## NA's :15
## Weight Income
## Min. : 17.70 Length:250
## 1st Qu.: 54.70 Class :character
## Median : 65.35 Mode :character
## Mean : 66.04
## 3rd Qu.: 76.58
## Max. :103.20
## NA's :20summary(df_clean)## ID Age Gender Heart_Rate
## Min. : 1.00 Min. :14.00 Length:250 Min. : 50.00
## 1st Qu.: 63.25 1st Qu.:38.00 Class :character 1st Qu.: 68.50
## Median :125.50 Median :46.00 Mode :character Median : 76.00
## Mean :125.50 Mean :45.53 Mean : 75.86
## 3rd Qu.:187.75 3rd Qu.:53.00 3rd Qu.: 82.50
## Max. :250.00 Max. :77.00 Max. :106.00
## NA's :5 NA's :15
## Weight Income
## Min. : 34.80 Length:250
## 1st Qu.: 54.85 Class :character
## Median : 65.60 Mode :character
## Mean : 66.59
## 3rd Qu.: 76.60
## Max. :103.20
## NA's :23glimpse(df_raw)## Rows: 250
## Columns: 6
## $ ID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, …
## $ Age <int> 51, 32, 47, 44, 37, 15, 36, 33, 46, 39, 40, 999, 42, 42, 14…
## $ Gender <chr> "nam", "nu", "1", "0", "nam", "Female", "F", "0", "M", "nu"…
## $ Heart_Rate <int> 73, 80, 61, 71, 83, 76, 78, 62, 80, 70, 58, 81, 75, 68, 78,…
## $ Weight <dbl> 103.2, NA, 74.3, NA, 75.8, NA, NA, NA, 57.3, NA, NA, NA, NA…
## $ Income <chr> "High", "Medium", "High", NA, "High", "Medium", "Medium", "…glimpse(df_clean)## Rows: 250
## Columns: 6
## $ ID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, …
## $ Age <int> 51, 32, 47, 44, 37, 15, 36, 33, 46, 39, 40, NA, 42, 42, 14,…
## $ Gender <chr> "Male", "Female", "Male", "Female", "Male", "Female", "Fema…
## $ Heart_Rate <int> 73, 80, 61, 71, 83, 76, 78, 62, 80, 70, 58, 81, 75, 68, 78,…
## $ Weight <dbl> 103.2, NA, 74.3, NA, 75.8, NA, NA, NA, 57.3, NA, NA, NA, NA…
## $ Income <chr> "High", "Medium", "High", NA, "High", "Medium", "Medium", "…Age đã được chuyển thành
NA, nên khoảng min - max trở nên hợp lý hơn.Gender được mã hóa thống nhất thành “Male” và
“Female”.Weight cũng được xử lý
nên min - max cũng hợp lý hơn.Bài 3
Khoảng trống tử thần (Missing Data)
Trong bộ dữ liệu của bạn, có rất nhiều ô trống (NA).
Trong dịch tễ học, chúng được chia làm 3 cơ chế:
[CẢM NGHĨ VÀ TƯ DUY CỦA BẠN]
Câu hỏi: Dựa vào lý thuyết Buổi 2, hãy áp định nghĩa và phân loại chính xác 3 cơ chế cho 3 cột biến số trên. Giải thích lí do.
Trả lời:
Age là MCAR do trong df_raw không có NA, 5 giá
trị NA trên 250 mẫu chỉ xuất hiện sau khi loại bỏ tuổi 0 và 999 nên khả
năng cao là lỗi nhập liệu hoặc thiếu khi thu thập dữ liệu.
df_raw %>%
filter(Age %in% c(0, 999))## ID Age Gender Heart_Rate Weight Income
## 1 12 999 nu 81 NA <NA>
## 2 45 0 0 74 51.3 High
## 3 88 999 1 NA 84.4 High
## 4 102 0 nam 76 82.0 High
## 5 201 999 Male 78 50.0 MediumHeart_Rate là MAR là do có thể lỗi nhập liệu, nhưng có
thể dự đoán được dựa trên các biến khác như Age, Weight, Gender…(còn phụ
thuộc vào biến khác chứ không phải không phụ thuộc gì cả như MCAR)
Income là MNAR vì thu nhập là biến nhạy cảm. Những người
có thu nhập rất thấp hoặc rất cao thường không muốn khai báo, nên là
việc NA là do chủ ý chứ không phải ngẫu nhiên.