Busca primero claves simples y luego combinaciones mínimas de dos o tres
columnas. No prueba una combinación si ya contiene una clave candidata más
pequeña. Una clave exige ausencia de NA y unicidad en todas las filas.
Además informa columnas simples casi-clave cuando tienen al menos 100 filas,
al menos el 90 % de sus valores son distintos y un único valor concentra al
menos la mitad de los duplicados excedentes. La concentración evita confundir
texto libre de alta cardinalidad, con muchas colisiones dispersas, con una
clave dañada. Las variables con rol propuesto fecha, incluidas fecha-hora,
no se consideran casi-claves.
Los faltantes disfrazados —"SIN DATO", -999— no cuentan como colisiones:
se reconocen con la misma máscara que perfilar(), con su política por
omisión o con la del perfil que se pase, y la casi-clave se mide sin ellos
—sus distintos, exactos y normalizados, y sus colisiones—. Una clave sana con
treinta documentos en "SIN DATO" no es una clave rota: le faltan treinta
documentos. n_filas sigue siendo el de la tabla.
La unicidad normalizada compara cada valor de texto por su clave de bytes,
la misma con que perfilar() cuenta n_distintos_normalizados: un valor
con marca bytes entra con cada byte alto escrito \xHH y no se pliega con
el mismo texto marcado UTF-8; latin1 y UTF-8 del mismo texto entran igual.
Los vectores double sólo son candidatos si ninguno de sus valores finitos
tiene parte fraccionaria. Esto conserva identificadores enteros importados
desde archivos de texto y excluye importes, coordenadas y otras medidas. Los
vectores integer64 se tratan como enteros semánticos.
detectar_claves(datos, max_combinacion = 3, normalizar = NULL, perfil = NULL)Data frame de claves candidatas y casi-claves con las columnas
combinadas, cantidad de columnas, marcas de redundancia, casi_clave,
unicidad_exacta y unicidad_normalizada. Las columnas de colisiones
publican sus valores, frecuencias y la concentración observada. Las claves
exactas conservan casi_clave = FALSE; una fila con casi_clave = TRUE
es un diagnóstico que requiere corregir o confirmar, no una clave válida.
Objeto que hereda de data.frame.
Máximo de columnas por combinación, entre 1 y 3.
Perfil de comparación. NULL hereda el perfil de
perfil, pero las claves se siguen descubriendo por identidad exacta.
Perfil producido por perfilar() para heredar la comparación
y la política de faltantes disfrazados —sentinelas_numericos y
cadenas_ausencia—.
Dos claves simples se marcan como redundantes cuando sus contenidos son
idénticos —incluidas clase, atributos, ausencias y representación exacta—,
aunque tengan nombres distintos. Las columnas compuestas —matrices o
arreglos de más de una dimensión— y las de lista no se interpretan como
claves. Los pares también quedan en el atributo
claves_redundantes.
Una columna cuyo nombre se repite en la tabla no se analiza: una clave se
publica por el nombre de sus columnas, y ese nombre no diría cuál de las dos
identifica. Se avisa, y los nombres quedan en el atributo
columnas_nombre_repetido.
detectar_dependencias(), detectar_relaciones()
detectar_claves(data.frame(id = 1:4, grupo = c("a", "a", "b", "b")))
Run the code above in your browser using DataLab