Learn R Programming

lupa (version 0.1.1)

distribucion_valores: Distribuciones de valores y cuantiles por columna

Description

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.

Usage

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
)

Value

Objeto distribuciones_perfil, una lista con data frames frecuencias, cuantiles y alcance. Todas las proporciones están en [0, 1].

Arguments

datos

Tabla que se desea examinar.

perfil

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.

max_valores

Máximo de valores mostrados por columna.

probabilidades

Probabilidades de los cuantiles, en [0, 1].

muestra

Máximo de filas por columna; Inf desactiva el muestreo.

proteger_datos_personales

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_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.

.universo

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.

Details

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.

See Also

perfilar(), analizar(), clasificar_variables()

Examples

Run this code
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