Дворник не работает: Перестали работать дворники – выясняем и устраняем причину

О том, почему не работают дворники, смотрите в следующем видео.

Что плохого в работе дворником? | Работа

Автор: Chron Contributor Обновлено 4 августа 2020 г.

Дворник, также известный как смотритель, убирает и обслуживает здание. Чтобы работать уборщиком, обычно не требуется формального образования. Обучение на рабочем месте, характерное для организации, является обычным явлением. Хотя работа уборщика обычно стабильна, этот карьерный рост имеет несколько отрицательных аспектов.

Low Pay

Поскольку вам не нужно формальное образование и у компаний обычно нет проблем с поиском дворников, компенсация обычно невысока.Бюро статистики труда США отметило средний доход уборщиков в размере 27430 долларов США по состоянию на май 2019 года. Однако, если ему удастся получить работу в размере 10% самых высоких зарплат уборщика, уборщик может зарабатывать на 60% больше, чем в среднем. Многие дворники также работают неполный рабочий день и не получают пособий, что может затруднить получение доступной медицинской страховки и ухода.

Общественное мнение

Работа смотрителем обычно считается неквалифицированным трудом, потому что вам не нужно никакого формального образования или подготовки, чтобы стать уборщиком.По данным Thrive Global, это способствует общественному мнению, что дворники необразованны или неразумны. Даже если у вас есть диплом и высшее образование, вам, возможно, придется столкнуться с этим восприятием в своей компании или сообществе.

Gross Stuff

Уборка часто требует физических усилий, что является одним из самых больших недостатков работы уборщиком. Дворники могут легко получить царапины и синяки от уборки, перемещения оборудования и использования инструментов для ремонта. Вы также можете подвергнуться воздействию чистящих химикатов, которые могут вызвать проблемы при их вдыхании или случайном проглатывании.

В зависимости от вашего рабочего места вам, возможно, также придется иметь дело с большим количеством грубых вещей. Например, дворникам на стадионах или аренах часто приходится соскребать жевательную резинку, убирать пролитые жидкости и собирать остатки еды. Некоторые посетители общественных заведений полагают, что могут устроить беспорядок, мотивируя это тем, что «они платят дворнику».

Отсутствие включения

Некоторые компании фактически нанимают сторонние клининговые компании, которые предоставляют услуги по уборке. Быть уборщиком на предприятии или у работодателя часто бывает одиноко.На общекорпоративном собрании по планированию вы можете быть единственным сотрудником, не участвующим в работе. Дворники часто работают за кулисами и не являются членами отдела или рабочей группы, если только компания не большая и не имеет бригады дворников.

Нечетные часы

Вам также, возможно, придется работать в нечетные часы, в зависимости от вашей рабочей среды. Школьные дворники обычно работают в обычные дневные часы, но многим компаниям и спортивным объектам нужны дворники в вечернее время и в выходные дни. Им нужны работы по уборке и техническому обслуживанию после того, как сотрудники, клиенты или покупатели уйдут с дороги.Для некоторых людей может быть проблемой изменение режима сна и режим, отличный от режима друзей и семьи.

2021-01-04

Функции уборщика ускоряют первоначальное исследование и очистку данных, которые поступают с любым новым набором данных. В этом каталоге описывается использование каждой функции.

Функции для повседневного использования.

Очистка

Очистите имена data.frame с помощью

Вызывайте эту функцию каждый раз при чтении данных.

Он работает в конвейере %>% и обрабатывает проблемные имена переменных, особенно те, которые так хорошо сохраняются readxl :: read_excel () и readr :: read_csv () .

• Преобразует регистры букв и разделители в согласованный формат.
  • По умолчанию snake_case, но доступны и другие случаи, такие как camelCase
• Обрабатывает специальные символы и пробелы, включая символы транслитерации, такие как œ — oe .
• Добавляет числа к повторяющимся именам
• Преобразует «%» в «проценты» и «#» в «число», чтобы сохранить значение
• Интервал (или его отсутствие) вокруг чисел сохраняется

Очистите имена переменных, вернув data.frame:

Сравните с тем, что производит база R:

Эта функция поддерживается базовой экспортируемой функцией make_clean_names () , которая принимает и возвращает символьный вектор имен (см. Ниже).Это позволяет очистить имена любого объекта , а не только data.frame. clean_names () сохраняется для удобства в конвейерных рабочих процессах и может вызываться в объекте простых функций sf или в объекте тидиграфа tbl_graph в дополнение к data. frame.

Действительно ли эти data.frames содержат одни и те же столбцы?

Проверить с помощью

Для случаев, когда вам предоставляется набор файлов данных, который должен быть идентичным, и вы хотите прочитать и объединить их для анализа.Но тогда dplyr :: bind_rows () или rbind () не удается из-за разных столбцов или из-за того, что классы столбцов не совпадают в data.frames.

compare_df_cols () берет имена data.frames / tibbles без кавычек или список data.frames и возвращает сводку их сравнения. Посмотрите, какие типы столбцов отсутствуют или присутствуют в различных входных данных, и чем отличаются типы столбцов.

  df1 <- data.frame (a = 1: 2, b = c ("большой", "маленький"))
df2 <- данные.frame (a = 10:12, b = c ("medium", "small", "big"), c = 0, stringsAsFactors = TRUE) # здесь столбец b - фактор
df3 <- df1%>%
  dplyr :: mutate (b = as. character (b))

compare_df_cols (df1, df2, df3)
#> имя_столбца df1 df2 df3
#> 1 целое целое целое число
#> 2 b символьный коэффициент символ
#> 3 c  числовой 

compare_df_cols (df1, df2, df3, return = "mismatch")
#> имя_столбца df1 df2 df3
#> 1 символьный коэффициент символ b
compare_df_cols (df1, df2, df3, return = "mismatch", bind_method = "rbind") # по умолчанию dplyr :: bind_rows
#> имя_столбца df1 df2 df3
#> 1 символьный коэффициент символ b
#> 2 c  числовой   

compare_df_cols_same () возвращает ИСТИНА, или ЛОЖЬ, , указывая, являются ли данные.кадры могут быть успешно привязаны к строкам с помощью данного метода привязки:

Исследование

tabyl () — это ориентированная на tidyverse замена для table () . Он считает комбинации одной, двух или трех переменных, а затем может быть отформатирован с помощью набора функций adorn_ * , чтобы он выглядел так, как вы хотите. Например:

Узнайте больше в виньетке с таблицами.

Изучите записи с повторяющимися значениями для определенных комбинаций переменных с помощью

Это для поиска и изучения повторяющихся записей во время очистки данных — обычно когда их не должно быть.

Например, в аккуратном data.frame вы можете ожидать, что уникальный идентификатор будет повторяться для каждого года, но не будет дублированных пар уникального идентификатора и года. Допустим, вы хотите проверить и изучить любые такие повторяющиеся записи.

get_dupes () возвращает записи (и вставляет количество дубликатов), чтобы вы могли изучить проблемные случаи:

Меньшие функции для использования в особых ситуациях.Более удобочитаемый, чем эквивалентный код, который они заменяют.

Очистка

Управляйте векторами имен с помощью

Аналогично базовому R make.names () , но со стилем и выбором регистра функции длительного уборщика clean_names () . В то время как clean_names () по-прежнему предлагается для использования в конвейере data.frame с %>% , make_clean_names () допускает более общее использование, например.г., на векторе.

Его также можно использовать в качестве аргумента для .name_repair в последней версии tibble :: as_tibble :

Делает то, что говорит. Для таких случаев, как очистка файлов Excel, которые содержат пустые строки и столбцы после считывания в R.

Просто простая оболочка для однострочных функций, но она избавляет от размышлений как писателя кода, так и читателя.

Удаляет столбцы из data.frame, которые содержат только одно постоянное значение (с параметром na.rm , чтобы контролировать, следует ли рассматривать NA как значения, отличные от константы).

remove_constant и remove_empty работают как с матрицами, так и с data. frames.

Согласованное с направлением поведение округления с помощью

R использует «банковское округление», т.е.е., половинки округляются до ближайшего числа даже . Эта функция, точная реализация https://stackoverflow.com/questions/12688717/round-up-from-5/12688836#12688836, округлит все половинки вверх. Сравнить:

Округление десятичных дробей до точных дробей данного знаменателя с помощью

Допустим, ваши данные должны иметь значения только четвертей: 0, 0,25, 0,5, 0,75, 1 и т. Д. Но есть либо введенные пользователем неверные значения, например 0.2 или проблемы точности с плавающей запятой, например 0,25000000001 . round_to_fraction () будет обеспечивать желаемое дробное распределение, округляя значения до ближайшего значения с заданным знаменателем.

Также есть аргумент цифр и для необязательного последующего округления.

Исправить даты, хранящиеся как серийные номера с помощью

Вы когда-нибудь загружали данные из Excel и видели такое значение, как 42223 , где должна быть дата? Эта функция преобразует эти серийные номера в класс Date с опциями для различных систем кодирования даты Excel, сохраняя доли даты как время (в этом случае возвращаемое значение относится к классу POSIXlt ) и указывая часовой пояс.

Преобразование сочетания форматов даты и даты и времени в дату

Основываясь на excel_numeric_to_date () , новые функции convert_to_date () и convert_to_datetime () более устойчивы к сочетанию входных данных. Это удобно при чтении многих таблиц, что должно иметь и те же форматы столбцов, но это не так.

Например, здесь вектор с датой и датой и временем Excel видит, что оба значения успешно преобразованы в класс Date:

Повысить уровень имен столбцов, хранящихся в данных.

Если data.frame имеет предполагаемые имена переменных, хранящиеся в одной из своих строк, row_to_names повысит указанную строку, чтобы она стала именами data.frame, и при необходимости (по умолчанию) удалит строку, в которой были сохранены имена, и / или строки над ним.

Исследование

Подсчет уровней факторов в группах высокого, среднего и низкого с

Первоначально разработан для использования с данными опроса Лайкерта, хранящимися в виде факторов.Возвращает таблицу частот tbl_df со строками с соответствующими названиями, сгруппированными в группы голова / середина / хвост.

• Принимает указанный пользователем размер для групп головы / хвоста
• Автоматически вычисляет процентный столбец
• Поддерживает сортировку
• Может отображать или скрывать значения NA .

  f <- коэффициент (c («полностью согласен», «согласен», «нейтрален», «нейтрален», «не согласен», «полностью согласен»),
            level = c («полностью согласен», «согласен», «нейтрален», «не согласен», «категорически не согласен»))
top_levels (f)
#> f n процент
#> Полностью согласен, согласен 3 0. 5000000
#> нейтральный 2 0,3333333
#> не согласен, категорически не согласен 1 0.1666667
верхние_уровни (f, n = 1)
#> f n процент
#> Полностью согласен 2 0,3333333
#> согласен, нейтрален, не согласен 4 0.6666667
#> категорически не согласен 0 0.0000000  

Очистка и исследование данных с помощью пакета «janitor» | Эмили А. Халфорд

Изучение функциональности за пределами clean_names ()

Пакет janitor доступен на CRAN и был создан Сэмом Фирке, Биллом Денни, Крисом Хейдом, Райаном Найтом, Мальте Гроссером и Джонатаном Задра.Хотя пакет janitor, возможно, наиболее известен своей чрезвычайно полезной функцией clean_names () (о которой я расскажу позже в этой статье), он имеет широкий спектр функций, которые облегчают очистку и исследование данных. Пакет разработан для совместимости с tidyverse и поэтому может быть легко интегрирован в большинство рабочих процессов подготовки данных. Полезные обзоры функций пакета janitor, с которыми я консультировался, можно найти здесь и здесь. Кроме того, все данные и код, указанные ниже, доступны в этом репозитории GitHub.

Данные, которые мы будем использовать в этом руководстве, взяты из Информационной системы географических названий (GNIS), базы данных, созданной Советом США по географическим названиям. Этот набор данных был представлен в информационном бюллетене Джереми Сингер-Вайна «Данные во множественном числе» и по сути представляет собой каталог домашних географических названий с возможностью поиска.

Чтобы загрузить данные, нам сначала нужно перейти к форме запроса:

Я решил использовать данные, представляющие названия мест в округе Беркшир, штат Массачусетс, регионе, который включает мой родной город.Чтобы создать этот поиск, выберите «Массачусетс» из раскрывающегося меню штата и «Беркшир» из раскрывающегося меню округа. Затем нажмите кнопку «Отправить запрос»:

Результаты запроса будут выглядеть, как показано ниже. Под таблицей результатов нажмите «Сохранить как канал» | файл с разделителями ‘, чтобы сохранить данные локально:

Данные должны начать загрузку автоматически и появятся в файле . csv с функциями, разделенными знаком «|»:

Сохраните этот файл CSV в папке «данные» в новом Проект R.Давайте перенесем данные в R, разделим эти столбцы и произведем небольшую модификацию, чтобы упростить исследование нашего пакета janitor. Сначала загрузите пакеты tidyverse и janitor в новый файл R Markdown. Используйте функцию read.csv () для загрузки данных как «place_names»:

 библиотека (tidyverse) 
 библиотека (janitor) place_names = read.csv ("./ data / GNIS Query Result.csv") 

The данные должны выглядеть примерно так же, как в Excel, с одним массивным столбцом, содержащим все наши данные:

Давайте немного поработаем с этим.Во-первых, мы назначаем имя «столбцы» этому единственному столбцу, чтобы избежать необходимости включать что-то столь же беспорядочное и длинное, как имя столбца по умолчанию в наш код. Затем мы используем функцию own (), чтобы разделить этот столбец на все его составные части. Затем мы фильтруем данные до округа Беркшир, поскольку при дальнейшем изучении данных становится ясно, что в наш запрос округа Беркшир было включено несколько записей из-за пределов этого округа. Затем мы немного загрязняем данные на этапе mutate (), чтобы потом привести их в порядок.str_replace () используется для замены идентификатора «598673» на «598712», идентификационного номера, который уже существует в наборе данных, чтобы создать повторяющийся идентификатор. Наконец, создается дополнительный столбец под названием «extra_column» с NA в каждой строке:

 colnames (place_names) = "columns" place_names = 
 place_names%>% 
 отдельный (columns, c («Название функции», «ID», «Класс», «Округ», «Штат», «Широта», «Долгота», «Эле (футы)», «Карта», «Дата BGN», «Дата въезда»), sep = «[|]») %>% 
 filter (County == "Berkshire")%>% 
 mutate (
 ID = str_replace (ID, "598673", "598712"), 
 extra_column = NA 
) 

Прежде чем двигаться дальше, давайте быстро создадим второй набор данных под названием «non_ma_names», содержащий те записи, которые на самом деле не были из округа Беркшир.И снова мы читаем файл «GNIS Query Result.csv» и разделяем имена столбцов. Затем мы применяем функцию clean_names () из пакета janitor, которую мы подробно рассмотрим в следующем разделе. Наконец, мы используем as.numeric () и as.factor () на этапе изменения, чтобы преобразовать нашу переменную ele_ft в числовую переменную, а нашу переменную карты в коэффициент:

 non_ma_names = read.csv ("./ data / GNIS Результат запроса.csv ") colnames (non_ma_names) =" columns "non_ma_names = 
 non_ma_names%>% 
 отдельные (columns, c (" Название объекта "," ID "," Класс "," Округ "," Штат "," Широта »,« Долгота »,« Эле (футы) »,« Карта »,« Дата BGN »,« Дата входа »), sep =« [|] »)%>% 
 filter (County! =« Berkshire ») %>% 
 clean_names ()%>% 
 mutate (
 ele_ft = as.numeric (ele_ft), 
 map = as.factor (map) 
) 

А теперь посмотрим, на что способен дворник!

row_to_names ()

Вы, вероятно, получили много файлов данных, вероятно, в формате .xlsx, в которых есть несколько строк в верхней части таблицы до начала фактических данных. Эти строки могут быть пустыми или заполненными информацией и корпоративными логотипами. Когда вы загружаете такие данные в R, содержимое этих ведущих строк может автоматически стать вашими заголовками столбцов и первыми строками. Функция row_to_names () в пакете janitor позволяет вам указать, какая строка в вашем фрейме данных содержит фактические имена столбцов, и удалить все остальное, что предшествует этой строке.Для нас удобно, что у данных GNIS уже есть имена столбцов в нужном месте. Но давайте все равно попробуем это сделать, представив, что имена столбцов на самом деле находятся в третьей строке.

Мы используем функцию row_to_names () для создания нового фрейма данных с именем «test_names». Функция row_to_names () принимает следующие аргументы: источник данных, номер строки, из которой должны происходить имена столбцов, следует ли удалить эту строку из данных и следует ли удалять строки, указанные выше, из данных:

 test_names = row_to_names (place_names, 3, remove_row = TRUE, remove_rows_above = TRUE) 

Мы видим, что информация из строки 3 теперь составляет имена наших столбцов. Эта и вышеупомянутые строки были удалены из фрейма данных, и мы видим, что данные теперь начинаются с строки 4:

Хотя эта функция не требуется для очистки данных GNIS, она, безусловно, пригодится с другими наборами данных. !

clean_names ()

Эту функцию я использую почти каждый раз, когда загружаю новый набор данных в R. Если вы еще не используете эту функцию, я настоятельно рекомендую включить ее в свой рабочий процесс. Не зря это самая популярная функция из этого пакета — она ​​ чрезвычайно полезна!

Руководство по стилю tidyverse рекомендует регистр змеи (слова, разделенные подчеркиванием like_this) для имен объектов и столбцов.Давайте на минутку вернемся к названиям наших столбцов. Существуют всевозможные заглавные буквы и пробелы (например, «Название функции», «Дата BGN»), а также символы («Ele (ft)»). Функция clean_names () преобразует все это для нас в змеиный футляр.

Использовать clean_names () так просто:

 place_names = clean_names (place_names) ORplace_names = 
 place_names%>% 
 clean_names () 

Как вы можете видеть ниже, эта функция обрабатывала все виды беспорядочных имен столбцов, которые присутствовал в нашем наборе данных.Теперь все выглядит аккуратно и аккуратно:

remove_empty ()

Функция remove_empty (), как следует из названия, удаляет пустые столбцы. Мы создали пустой столбец в нашем фрейме данных place_names во время подготовки наших данных, поэтому мы знаем, что эта функция должна затронуть хотя бы один столбец. Давайте попробуем:

 place_names = 
 place_names%>% 
 remove_empty () 

Как видите, empty_column был удален из нашего фрейма данных, остались только столбцы, содержащие данные:

Столбец bgn_date выглядит пустым, но тот факт, что он не был удален методом remove_empty (), говорит нам о том, что данные должны быть как минимум в одной строке.Если прокрутить вниз, то увидим, что это действительно так:

remove_constant ()

Функция remove_constant () удаляет столбцы с одинаковым значением во всех строках. В нашем наборе данных в настоящее время их два — поскольку мы отфильтровали данные до округа Беркшир, и весь округ Беркшир находится в штате Массачусетс, округ = «Беркшир» и штат = «Массачусетс» для всех строк. Эти строки не особенно полезно хранить в наборе данных, поскольку они не предоставляют информации о строке. Мы могли бы просто использовать select () для удаления этих столбцов, но преимущество remove_constant () заключается в том, что эта функция дважды проверяет предположение, которое мы делаем, что все записи одинаковы.Фактически, с помощью remove_constant () я впервые обнаружил, что 38 из 1968 записей в необработанных данных на самом деле не были из страны Беркшир!

Как и remove_empty (), вся информация, необходимая функции remove_constant (), — это набор данных, с которым она должна работать:

 place_names = 
 place_names%>% 
 remove_constant () 

Как вы можете видеть ниже, округ и штат столбцы были отброшены:

compare_df_cols ()

Вы когда-нибудь пытались использовать rbind () для объединения двух фреймов данных вместе и столкнулись с неожиданной ошибкой? Функция compare_df_cols () напрямую сравнивает столбцы в двух фреймах данных и невероятно полезна для устранения этой проблемы.Давайте попробуем это, сравнив наш фрейм данных «place_names» с фреймом данных, который мы создали, содержащим записи за пределами округа Беркшир, «non_ma_names»:

 compare_df_cols (place_names, non_ma_names) 

Результатом является удобная таблица, сравнивающая два данных кадры. Мы видим «NA» для округа и штата в place_names и «character» для этих переменных в non_ma_names. Это потому, что мы удалили эти столбцы с помощью remove_constant () из place_names, но никогда ничего не сделали с символьными переменными по умолчанию в non_ma_names.Мы также видим ele_ft как числовое значение и map как факторную переменную в non_ma_names, которую мы специально обозначили во время подготовки данных. Если бы мы пытались снова объединить эти фреймы данных, было бы полезно знать, какие столбцы отсутствуют, а также какие столбцы имеют несовместимые типы во фреймах данных. В фреймах данных с большим количеством столбцов compare_df_cols () может значительно сократить время, затрачиваемое на эти сравнения.

get_dupes ()

Я часто работал над проектами с уникальными идентификаторами пациентов, которые вы не ожидаете увидеть в своем наборе данных.Есть много других случаев, когда вы можете захотеть убедиться, что какая-то переменная ID имеет полностью уникальные значения, включая наши данные GNIS. Как вы помните, мы создали повторяющийся идентификатор при подготовке наших данных. Посмотрим, как get_dupes () это обнаруживает. Функции просто нужно имя нашего фрейма данных и имя столбца, выступающего в качестве идентификатора:

 get_dupes (place_names, id) 

Как показано ниже, фрейм данных фильтруется до тех строк с повторяющимися значениями в идентификаторе. column, что упрощает исследование любых проблем:

tabyl ()

Функция tabyl () является совместимой с tidyverse заменой функции table ().Он также совместим с пакетом knitr и весьма полезен для исследования данных.

Давайте сначала попробуем с одной переменной. Допустим, нас интересует, сколько школ в каждом из городов округа Беркшир. Сначала мы фильтруем нашу переменную класса до «School», а затем используем функцию tabyl () с нашей переменной map (location). Наконец, мы передаем это в knitr :: kable () для форматирования вывода в красивой таблице:

 place_names%>% 
 filter (class% in% "School")%>% 
 tabyl (map)%>% 
 knitr :: kable () 

Выполнение этого очень простого фрагмента кода приводит к следующей выходной таблице:

Когда мы связываем наш Rmd-файл, функция kable () правильно отформатирует таблицу, как показано ниже.Мы удобно получаем количество школ в каждом городе, а также процент всех школ, которые находятся в этом городе. По этим данным легко наблюдать, например, что 29,5% всех школ находятся в Восточном Питтсфилде, где есть 41 школа. Или что 3 города настолько малы, что в них есть только 1 школа:

Теперь давайте попробуем сопоставить две переменные. Давайте посмотрим, сколько ориентиров каждого типа присутствует в каждом городе:

 place_names%>% 
 tabyl (map, class)%>% 
 knitr :: kable () 

Показана часть нашей таблицы (однажды связанная) ниже.Для каждого города мы можем четко видеть, сколько ориентиров каждого типа находится в базе данных:

Хотя такие простые подсчеты могут быть весьма полезными, возможно, нас больше интересует процентное соотношение столбцов. Другими словами, какой процент записей для каждого типа ориентира приходится на каждый город? Это легко проверить с помощью tabyl () с помощью функции adorn_percentages ():

 place_names%>% 
 tabyl (map, class)%>% 
 adorn_percentages ("col")%>% 
 knitr :: kable ( ) 

Теперь мы видим эти проценты столбца вместо количества, но таблицу довольно трудно читать:

Мы можем немного очистить это с помощью функции adorn_pct_formatting (), которая позволяет пользователю указать количество десятичных знаков для включить в вывод.Точность не особенно важна для этой исследовательской таблицы, поэтому давайте используем 0 десятичных разрядов, чтобы облегчить чтение этой таблицы:

 place_names%>% 
 tabyl (map, class)%>% 
 adorn_percentages ("col")%> % 
 adorn_pct_formatting (digits = 0)%>% 
 knitr :: kable () 

Намного лучше! Теперь стало намного проще читать таблицу и понимать процентные значения наших столбцов:

Так же просто использовать adorn_percentages (), чтобы вместо этого просматривать процентные значения строк (в нашем случае процент записей из каждого города, принадлежащих к каждому типу ориентира. ):

 place_names%>% 
 tabyl (map, class)%>% 
 adorn_percentages ("row")%>% 
 adorn_pct_formatting (digits = 0)%>% 
 knitr :: kable () 

Другие функции

В этой статье я описал функции пакета janitor, которые я считаю полезными в своей повседневной работе.Однако это не исчерпывающий список функций уборщика, и я рекомендую обратиться к документации для получения дополнительной информации об этом пакете.

При этом есть еще несколько функций, которые стоит хотя бы отметить здесь:

1. excel_numeric_to_date (): Эта функция предназначена для обработки многих форматов даты Excel и преобразования этих числовых переменных в переменные даты. Кажется, это большая экономия времени для тех, кто часто работает с данными в Excel.Как нечастый пользователь Excel, я вместо этого сильно полагаюсь на пакет lubridate для работы с переменными даты.
2. round_to_fraction (): Эта функция позволяет округлять десятичные числа до точного дробного знаменателя. Хотите, чтобы все ваши значения были округлены до ближайшей четверти, или вы используете десятичные дроби для обозначения минут в часе? Скорее всего, вам может помочь функция round_to_fraction ().
3. top_levels (): Эта функция генерирует таблицу частот, в которой категориальная переменная сворачивается на высокий, средний и низкий уровни.Общие варианты использования включают упрощение шкал типа Лайкерта.

На данный момент общеизвестно, что большинство аналитиков данных и специалистов по обработке данных посвящают большую часть своего времени очистке и исследованию данных, и поэтому мне всегда интересно открывать новые пакеты и функции, которые делают эти процессы немного более эффективными.

Независимо от того, использовали ли вы ранее пакет janitor, я надеюсь, что эта статья познакомила вас с некоторыми функциями, которые окажутся полезными дополнениями к вашему набору инструментов для анализа данных.

Что такое дворник? Все, что вам нужно знать

1. Руководство по карьере
2. Поиск работы
3. Что такое дворник? Все, что вам нужно знать