2.1 基本概念

“臟”數據沒有任何標準，只要是不能滿足分析要求的數據集都將打上“臟”的標簽。所以弄清楚與之相對的“干凈”數據可以使我們更容易理解數據清理的概念。目前國際上公認的“干凈”數據可以總結為如下3點。

1）屬性相同的變量自成一列。

2）單一觀測自成一行。

3）每個數據值必須獨立存在。

表2-1中顯示的數據不符合第一條原則，因為男、女都屬于性別，所以可以歸為一個變量，歸為一個變量后如表2-2中所示。但表2-2中顯示的數據不符合第三條原則，因為體重和年齡兩個變量放在了同一列中，雖然用反斜杠分隔后，人類按常識很容易理解，但計算機并不會懂，其只會將兩列本來是數字類型的數據當成是字符串來處理。表2-3中展示了一個三條原則都不滿足的樣本數據集，在完成清理之前，計算機無法對表2-3中的數據進行任何有效的數據分析。

表2-4中列出了清理后的數據集。對單一數據清理的第一個指導原則就是，按照上文介紹的三點將數據集清理成相應的形式。第二個原則需要按照實際需求進行，表2-5中的數據集是將“寬”數據（一般指多個同類或不同類型變量并存）轉換成了“長”數據（同類型變量單獨成列）。“寬”數據更符合人們日常對Excel格式數據的理解，而“長”數據對計算機來講則更易進行數據存儲和計算，在R環境中，計算長數據的速度優于“寬”數據。將表2-4中的數據轉換成表2-5的形式只需一個函數gather，相關內容詳見2.3節。

數據清理的第三個指導原則同樣需要視情況而定，不同來源的數據應單獨成表，獨立存在。比如元數據（解釋變量名稱或數據背景的數據，英文為metadata）與原始應數據同時存在一個文件或一個工作表中（參考第1章不規則數據讀取）。簡單來說，元數據通常會包含坐標、指標的具體含義等解釋性信息，這類信息不應與原始數據本身同時存在一個數據集中，而應單獨成為一個數據集，只在需要解釋原始數據本身時才調用元數據。