Creatie van twee datasets voor de voorbeelden We beginnen weer met het creëren van een fictieve dataset van tentamencijfers van studenten en schrijven de gegevens met de functie write.table() weg naar een csv bestand.

> studentID <- c(101, 34, 76, 104, 111, 83)
> voornaam <- c("Jan", "Johan", "Carla", "Daniel", "Bert", "Nadia")
> achternaam <- c("Jansen", "Peeters", "Jansen", "Smit", "Bakker", "Visser")
> wiskunde <- c(7.5, 4.5, 8, 5.5, 9, 10)
> statistiek <- c(5, 5, 8.5, 6.5, 99, 9.5)
> df_cijfers <- data.frame(studentID, voornaam, achternaam, wiskunde, statistiek)
> setwd("C:/temp")
> write.table(df_cijfers, file="cijfers.csv", sep = ",")

We maken ook nog een dataset van herkansingscijfers van studenten en schrijven deze gegevens naar een tweede csv bestand weg.

> studentID <- c(101, 34, 76, 104, 111, 83, 55)
> herkansing <- c(7, 6, NA, NA, NA, NA, 8)
> df_herkansing <- data.frame(studentID, herkansing)
> write.table(df_herkansing, file="cijfers_herkansing.csv", sep = ",")

Dataframes samenvoegen We veronderstellen dat de twee dataframes geïmporteerd zijn of uit bovenstaande sessie komen.

> df_cijfers
  studentID voornaam achternaam wiskunde statistiek
1       101      Jan     Jansen      7.5        5.0
2        34    Johan    Peeters      4.5        5.0
3        76    Carla     Jansen      8.0        8.5
4       104   Daniel       Smit      5.5        6.5
5       111     Bert     Bakker      9.0       99.0
6        83    Nadia     Visser     10.0        9.5
> df_herkansing
  studentID herkansing
1       101          7
2        34          6
3        76         NA
4       104         NA
5       111         NA
6        83         NA
7        55          8

Je kunt de twee dataframes samenvoegen op basis van de gemeenschappelijke kolom via de functie merge().

> alle_cijfers <- merge(df_cijfers, df_herkansing, by="studentID")
> alle_cijfers
  studentID voornaam achternaam wiskunde statistiek herkansing
1        34    Johan    Peeters      4.5        5.0          6
2        76    Carla     Jansen      8.0        8.5         NA
3        83    Nadia     Visser     10.0        9.5         NA
4       101      Jan     Jansen      7.5        5.0          7
5       104   Daniel       Smit      5.5        6.5         NA
6       111     Bert     Bakker      9.0       99.0         NA

Merk op dat we alleen rijen samenvoegen die een gemeenschappelijke waarde voor studentID hebben. Willen we echt alles in één dataframe samenvoegen, dan moeten we de optie All=TRUE gebruiken.

> merge(df_cijfers, df_herkansing, by="studentID", all=TRUE)
  studentID voornaam achternaam wiskunde statistiek herkansing
1        34    Johan    Peeters      4.5        5.0          6
2        55     <NA>       <NA>       NA         NA          8
3        76    Carla     Jansen      8.0        8.5         NA
4        83    Nadia     Visser     10.0        9.5         NA
5       101      Jan     Jansen      7.5        5.0          7
6       104   Daniel       Smit      5.5        6.5         NA
7       111     Bert     Bakker      9.0       99.0         NA

Uitbijters verwijderen We gaan verder met de variabele alle.cijfers uit het vorige voorbeeld.

> alle_cijfers
  studentID voornaam achternaam wiskunde statistiek herkansing
1        34    Johan    Peeters      4.5        5.0          6
2        76    Carla     Jansen      8.0        8.5         NA
3        83    Nadia     Visser     10.0        9.5         NA
4       101      Jan     Jansen      7.5        5.0          7
5       104   Daniel       Smit      5.5        6.5         NA
6       111     Bert     Bakker      9.0       99.0         NA

In de kolom met statistiekcijfers zie een cijfer 99 staan; dit kan niet op een schaal van 1 tot 10 en daarom is het gewenst deze uitbijter te verwijderen. Dit kan als volgt in dit voorbeeld:

> opgeschoonde_cijfers <- alle.cijfers[alle_cijfers$statistiek <= 10, ]
> opgeschoonde_cijfers 
  studentID voornaam achternaam wiskunde statistiek herkansing
1        34    Johan    Peeters      4.5        5.0          6
2        76    Carla     Jansen      8.0        8.5         NA
3        83    Nadia     Visser     10.0        9.5         NA
4       101      Jan     Jansen      7.5        5.0          7
5       104   Daniel       Smit      5.5        6.5         NA

Dubbele gegevens verwijderen We gaan verder met de variabele opgeschoonde_cijfers uit het vorige voorbeeld. We voegen een eerdere rij toe zodat er in de dataset een rij twee keer voorkomt.

> N.Visser <- opgeschoonde_cijfers[3,] 
> gedupliceerde_data <- rbind(opgeschoonde_cijfers, N.Visser)
> gedupliceerde_data
   studentID voornaam achternaam wiskunde statistiek herkansing
1         34    Johan    Peeters      4.5        5.0          6
2         76    Carla     Jansen      8.0        8.5         NA
3         83    Nadia     Visser     10.0        9.5         NA
4        101      Jan     Jansen      7.5        5.0          7
5        104   Daniel       Smit      5.5        6.5         NA
31        83    Nadia     Visser     10.0        9.5         NA

De functie duplicated() maakt een logische vector waarin de waarde TRUE elementen van een vector of rijen van een dataframe aanduiden die eerder voor komen in het object. Je kunt deze functie daarna ook gebruiken om dubbele gegevens te verwijderen. In ons voorbeeld:

> duplicated(gedupliceerde_data)
[1] FALSE FALSE FALSE FALSE FALSE  TRUE
> which(duplicated(gedupliceerde_data))  # welke dubbele rij(en)?
[1] 6
> schone_cijfers <- gedupliceerde_data[!duplicated(gedupliceerde_data), ] 
> schone_cijfers 

  studentID voornaam achternaam wiskunde statistiek herkansing
1        34    Johan    Peeters      4.5        5.0          6
2        76    Carla     Jansen      8.0        8.5         NA
3        83    Nadia     Visser     10.0        9.5         NA
4       101      Jan     Jansen      7.5        5.0          7
5       104   Daniel       Smit      5.5        6.5         NA