validateパッケージでデータを検証する / Data Validation with validate package

Transcript

1. validate パッケージで データを検証する @y__mattu 2022-02-19 HiRoshima.R #7 LT
2. 誰︖ • 松村優哉 • 出⾝: 計量経済、ベイズ統計、 因果推論 • お仕事: データサイエンティスト& データエンジニア in 広告会社 • ⾔語: R, Python • Tokyo.R, Japan.R運営 • 近況:2⽉に転職しました︕
3. 宣伝 Rユーザのための RStudio[実践]⼊⾨ 第2版 好評発売中!!
4. 今⽇のお話 • 統計的データクリーニングについて • validateパッケージの紹介
5. データクリーニングとは • データクリーニング≒データ前処理の最も基本的な部分 • 数値表現の統⼀ • ⽇付型の統⼀ • ⽂字列の正規化・前処理 • ⽋測データの特定・補完 • エラーデータの特定・修正 • 今⽇の話題は、エラーデータの特定、つまりデータ検証がメイン 統計的な処理が必要な領域
6. データ検証の必要性 • データは意図せず変化してしまう • 前処理⼯程のミス • 集計のミス • そもそもデータソースの時点で変なデータが含まれている • 適当なタイミングで、⽬の前のデータが「正しいか」の検証（バリ デーション）を⼊れると良い データの読み込み データの前処理 分析・可視化 処理1 処理2 処理3 検証 検証 検証
7. validateパッケージ • CRANからインストール • 使うデータをロード
8. retailersデータ • 架空の⼩売業者の財務データ
9. check_that()による簡単なチェック ルールを記述。ここでは以下の２つ - 売上⾼は0より⼤きい - 従業員⼀⼈当たりの⼈件費は50(50,000ギルダー)未満
10. 検証結果の可視化
11. 検証ルール作成、適⽤、結果確認の分離 検証 ルール 作成 適⽤ 確認 validate::validator() validate::confront() summary(), validate::aggregate() ルール 作成 適⽤
12. 検証ルールの作成⽅法（発展編１） • レコード間での⽭盾のチェック • 例: 市と通りが同じなら郵便版後も同じでなくてはならない • 簡単なデータで検証 2レコード⽬が間違い
13. 検証ルールの作成⽅法（発展編１） • レコード間での⽭盾のチェック • 例: 市と通りが同じなら郵便版後も同じでなくてはならない ルールをチルダでつなぐ
14. 検証ルールの作成⽅法（発展編２） • マクロの定義 • ルールが多くなると、似たようなルール（平均が0以上など）が多くなって きて、書くのが⾯倒 := 演算⼦で共通ルールを 作っておけば、再利⽤可能
15. 検証ルールの作成⽅法（発展編３） • 変数グループ • a>=m, b>=mみたいに「m(平均)が0以上」は共通してるので何⾏も書き たくない • 以下の２つは同じ
16. 検証結果をデータフレームとして出⼒ • aggregate() • retailorデータの例に戻る ルール 作成 適⽤ 確認
17. 検証ルールを外部ファイルで定義 • validator()に渡す検証ルールは外部ファイル（yaml）にて定義可能 • ルールが多くなってくるとこちらのほうが便利かも rules.yml
18. まとめ • データ前処理の途中で検証（バリデーション）をするのは⼤切 • Rでデータ検証ならvalidateパッケージが便利
19. 参考資料 • R⾔語 - データ検証パッケージ "validate” • validateパッケージのドキュメント • 『統計的データクリーニングの理論と実践』
20. Enjoy!