Resume frecuencias sin conservar una tabla completa de alta cardinalidad.
Cada columna se limita a max_valores; alcance declara cuántos valores se
analizaron, cuántos distintos se observaron y si hubo muestreo o truncamiento.
Los cuantiles se calculan sólo para números ordinarios finitos.
distribucion_valores(
datos,
perfil = NULL,
max_valores = 20L,
probabilidades = c(0, 0.25, 0.5, 0.75, 1),
muestra = 1e+05,
proteger_datos_personales = FALSE,
columnas_personales = character(),
.universo = NULL
)Objeto distribuciones_perfil, una lista con data frames
frecuencias, cuantiles y alcance. Todas las proporciones están en
[0, 1].
Tabla que se desea examinar.
Perfil opcional de los mismos datos; evita repetir la
clasificación de posibles datos personales. Si el perfil declaró
columnas_codigo, esas columnas publican en cuantiles sólo los extremos
—probabilidad 0 y 1, el tramo de códigos—; los intermedios quedan en NA
con estado = "codigo_declarado", como mediana en el perfil.
Máximo de valores mostrados por columna.
Probabilidades de los cuantiles, en [0, 1].
Máximo de filas por columna; Inf desactiva el muestreo.
Si se ocultan valores de columnas cuya
clasificación activa protección automática. FALSE por omisión; véase
perfilar(). Con
perfil, se respeta la clasificación de ese perfil —incluido lo que su
usuario declaró—; sin perfil, la clasificación se rehace aquí por léxico
y por forma, y lo declarado entra por columnas_personales.
Columnas que traen datos personales, declaradas
con la misma forma que acepta perfilar(): nombres de columna, o un vector
con nombre donde el nombre es la columna y el valor es el tipo. Es el
único camino cuando no se pasa perfil: sin perfil, la clasificación
corre por léxico y por forma, así que una columna que sólo quien la conoce
sabe personal —una edad, un legajo interno— se publicaría entera. Sólo
tiene efecto con proteger_datos_personales = TRUE.
Uso interno de analizar(): el universo que declara su
argumentos_perfil —aplicabilidad, columnas_opcionales y
sentinelas_numericos—. Con él, lo que queda fuera del universo no entra
en frecuencias ni en cuantiles, y un centinela declarado sale de los
cuantiles como sale de minimo, mediana y maximo del perfil; en
frecuencias sigue contando, como en n_distintos y moda.
Las proporciones de frecuencias se calculan sobre los valores que se
pudieron analizar, no sobre la columna entera, y alcance dice cuántos
fueron: n_total contra n_analizados. Cuando alguno no se pudo comparar
—bytes inválidos, sobre todo— el estado de esa columna es
calculada_parcial en vez de calculada, para que un resultado parcial no
se lea como completo. Un NA no cuenta como descarte: es una ausencia
declarada, no un valor que no se pudo analizar. Los otros estados posibles
son sin_valores, sin_valores_analizables y tipo_no_comparable. La
entrada es la de perfilar(): un POSIXlt se cuenta por su instante, como
el POSIXct equivalente, y el nivel NA de un factor es un faltante.
Cuando una columna tiene evidencia suficiente para activar la protección de
datos personales, sus frecuencias y niveles se conservan pero el valor
concreto se reemplaza. Los cuantiles
mantienen sus filas y probabilidades, pero valor queda en NA y estado
informa "valor_protegido": un cuantil, especialmente en tablas pequeñas,
puede coincidir exactamente con una observación. Esta protección es
independiente de la usada al construir el perfil.
Hay clases que R declara numéricas y cuyo cuantil interpolado no se puede
calcular, porque su aritmética rechaza el producto por una fracción
—lubridate::Period es una—. Esas columnas no interrumpen el análisis:
conservan sus filas con valor en NA y el estado
"no_interpolable:<clase>", que nombra la clase que no se pudo interpolar. La
condición se mide intentando el cálculo, no enumerando clases, así que una clase
nueva con la misma limitación queda cubierta sin tocar el código.
Las frecuencias se cuentan por valor, no por su escritura: dos dobles
que coinciden en sus primeras 15 cifras —0.1 + 0.2 y 0.3, 1e15 y
1e15 + 1— son dos filas, como los cuenta perfilar(), y cada una se
escribe con las cifras que la devuelven a su valor. Un instante se escribe
en UTC y con el rótulo UTC, como los resúmenes de perfilar(): la
etiqueta no depende de la zona de la sesión. A igual frecuencia, las
filas se ordenan por valor —el texto por sus bytes, los números como
números—, el mismo desempate que la moda de perfilar(): así, el recorte de
max_valores no depende del orden de las filas de la tabla.
perfilar(), analizar(), clasificar_variables()
d <- data.frame(grupo = c("A", "A", "B"), valor = c(1, 2, 10))
distribucion_valores(d)
Run the code above in your browser using DataLab