Generaliza un vector de texto mediante la convención del Pattern Finder
de DataCleaner: 9 representa un dígito, a una letra minúscula y A una
letra mayúscula. Los símbolos y espacios se conservan literalmente. Las tres
clases valen en cualquier escritura: un dígito arábigo-índico es 9 y una
é es a, de modo que el patrón no publica letras del valor; una letra sin
mayúscula ni minúscula —árabe, CJK— cuenta como a.
descubrir_patrones(
x,
distinguir_mayusculas = TRUE,
expandir = FALSE,
max_patrones = 20,
na.rm = TRUE,
muestra = 1e+05,
umbral_raro = 0.05,
proteger_datos_personales = FALSE
)Un data frame de clase patrones con patrón, frecuencia, proporción
y ejemplos. Los ejemplos no se publican cuando la forma de los valores
alcanza por sí sola para clasificarlos como dato personal —un correo, por
ejemplo, aunque los correos no sean la mayoría del vector—: salen como
[valor protegido], los de todos los patrones. Acá llega un vector suelto, sin
nombre de columna, así que la vía por nombre no está disponible; un número
de ocho dígitos sí se publica, porque su forma sola no alcanza para
afirmar que es un documento. Los atributos total, analizados, filas_analizadas y
muestreado describen el posible muestreo; filas_analizadas es un alias
explícito de analizados para mantener el alcance visible junto a otros
diagnósticos. n_evaluados es el denominador de proporcion: los valores
analizados, sin los ausentes cuando na.rm = TRUE. resumen_patrones
conserva sólo el patrón dominante
y hasta seis patrones raros para presentacion; nunca guarda la distribucion
completa. patrones_raros_trazabilidad conserva solo los nombres de los
patrones raros, hasta 5.000, para que la trazabilidad pueda enumerar filas
sin retener frecuencias ni ejemplos. Las proporciones siempre estan en
[0, 1]. n_patrones_distintos registra el total antes de truncar la tabla
para informar omisiones sin retenerla. n_patrones_raros y
n_patrones_raros_trazabilidad registran cuantos patrones raros habia antes
de sus respectivos limites. n_filas_patrones_no_dominantes_excluidos
registra cuantas filas pertenecen a patrones no dominantes cuya proporcion no es rara y que por eso quedan fuera del hallazgo.
Vector que se convertirá a texto.
Si es TRUE, distingue a de A.
Si es FALSE, colapsa tokens repetidos (9999 a 9+).
Número máximo de patrones que se muestran: un entero
positivo, o Inf para mostrarlos todos.
Si es TRUE, excluye los valores ausentes.
Máximo de valores que se analizan.
Frecuencia máxima de un patrón raro, usada para conservar un resumen acotado de patrones raros para los hallazgos. La frontera es inclusiva: un patrón no dominante con exactamente esa proporción es raro.
Si los ejemplos se enmascaran cuando la
forma de los valores alcanza para clasificarlos como dato personal. FALSE
por omisión. perfilar() lo pasa en FALSE porque protege el perfil
entero después, respetando ahí la declaración del usuario.
El cálculo aplica reemplazos vectorizados sobre el vector completo. Si el
vector supera muestra, usa una muestra sistemática reproducible y registra
esa decisión en los atributos del resultado.
perfilar(), inferir_tipo(), detectar_formatos_fecha()
descubrir_patrones(
c("2020-01-31", "2021-12-01", "31/01/2020"),
expandir = TRUE
)
Run the code above in your browser using DataLab