-
Notifications
You must be signed in to change notification settings - Fork 0
/
make_clean_rds_data_file.R
231 lines (161 loc) · 6.89 KB
/
make_clean_rds_data_file.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
# goal: make clean, user-friendly excel file including photos
# one in Polish, one in English
# eng - academic papers
# pol - book / report for local audience
# var names in eng only!
knitr::knit("data_exploration.Rmd")
d_clean <- d %>% rename(photo_1 = `1_Prosimy_o_zdjcie_z`,
photo_2 = `2_Jeli_chcesz_dodaj_`,
photo_3 = `3_Jeli_chcesz_dodaj_`,
photo_4 = `4_Jeli_chcesz_dodaj_`)
d_clean <- rename_with(d_clean, ~tolower(str_remove_all(., "\\d+_")))
d_clean <- d_clean %>% select(-jakie_rodzaje_odp) %>% as_tibble()
d_clean <- type_convert(d_clean)
## 3. dołączyć wielokrotny wybór rodzaje_long jako wide
rodzaje_long <- rodzaje_long %>%
mutate(value = str_trim(value))
rodzaje_eng <- read_csv("rodzaje_eng.csv")
rodzaje_eng <- rodzaje_eng %>%
mutate(value = str_trim(value),
val_eng = str_trim(val_eng))
rodzaje_long_en <- left_join(x = rodzaje_long,
y = rodzaje_eng)
rodzaje_long_en <- rodzaje_long_en %>% select(-value) %>%
rename(value = val_eng)
print(paste0("class of rodzaje_long_en: ", class(rodzaje_long_en)))
rodzaje_wide_pl <- pivot_wider(data = rodzaje_long,
id_cols = L1,
names_from = value,
names_prefix = "rodz_")
rodzaje_wide_pl <- rodzaje_wide_pl %>% rename(ecuuid = L1)
rodzaje_wide_en <- pivot_wider(data = rodzaje_long_en,
id_cols = L1,
names_from = value,
names_prefix = "type_")
rodzaje_wide_en <- rodzaje_wide_en %>% rename(ecuuid = L1)
colnames(rodzaje_wide_en) <-
colnames(rodzaje_wide_en) %>%
stringr::str_squish(string = .) %>%
stringr::str_trunc(string = ., width = 15, side = "right", ellipsis = "") %>%
gsub("(", "", ., fixed = TRUE) %>%
gsub(")", "", ., fixed = TRUE) %>%
gsub("/", "", ., fixed = TRUE) %>%
gsub(",", "", ., fixed = TRUE) %>%
gsub(" ", "_", ., fixed = TRUE)
# rodzaje_wide_en stays for eng version
## make eng var names for pl data
colnames(rodzaje_wide_pl) <- colnames(rodzaje_wide_en)
d_clean <- left_join(d_clean, rodzaje_wide_pl)
## 4. ustalić co jest NA - załatwione w type_convert
## 5. ułożyć wygodną kolejność zmiennych wg. kwestionariusza
# summary(d_clean$dzisiejsza_data__p) tą zmienną pomijam,
# mam wyczyszczone date_user
d_clean <- d_clean %>% select(1:8, 25:26, 9, 31, 11:19, 35:53, 20:24, 27:30, 32:34)
### jakie zmienne doliczyć?
# liczba zdjęć
# liczba rodzajów odpadów (NA kiedy nie podano szczegółów)
d_clean <-
d_clean %>% mutate(
photo_sum = rowSums(!is.na(select(., starts_with("photo_")))),
type_sum = rowSums(!is.na(select(., starts_with("type_")))),
type_sum = if_else(condition = czy_chcesz_nam_pow == "Tak",
true = type_sum,
false = NA_real_)
)
## zrobić czytelne nazwy zmiennych
nazwy_zmiana <- names(d_clean)[c(9:11, 13:21, 41:49)] %>% as_tibble()
nowe_nazwy <- c("lct_lat",
"lct_long",
"lct_comment",
"time_user",
"more_dump",
"area",
"character",
"character_comment",
"span",
"place",
"place_comment",
"visible",
"type_comment",
"first_time_user",
"new_name_user",
"old_name_user",
"more_you",
"lct_accu",
"lct_northing",
"lct_easting",
"lct_zone")
nazwy_zmiana$nowe_nazwy <- nowe_nazwy
names(d_clean)[c(9:11, 13:21, 41:49)] <- nowe_nazwy
names(d_clean) %>% tibble() %>% print(n = 100)
## dodać dzielnicę
districts <-
punkty_dzielnice %>% as_tibble() %>% select(3, 2, -geometry) %>%
rename(district = dzielnica,
ecuuid = ec5_uuid)
d_clean <- left_join(d_clean, districts)
d_clean <-
d_clean %>%
mutate(district_tmp = ifelse(is.na(lct_zone),
"brak współrzędnych wpisu",
ifelse(is.na(district),
"punkt poza granicami m. Łodzi",
district)))
# table(d_clean$district, d_clean$lct_zone, useNA = "always")
# table(d_clean$district_tmp, d_clean$lct_zone, useNA = "always")
d_clean <- d_clean %>%
select(-district) %>%
rename(district = district_tmp)
## zapisać 6 cyfr dokładności po kropce lat / long ################
d_clean %>%
select(ecuuid, created_at, lct_lat, latitude) %>%
filter(ecuuid == "14a666a7-9c5b-4d5e-83a6-3621d7c199c7") %>%
View()
d %>%
select(ec5_uuid, latitude) %>%
filter(ec5_uuid == "14a666a7-9c5b-4d5e-83a6-3621d7c199c7") %>%
pull(latitude)
# mam 51.78125 (8 znaków, 5 cyfr po kropce)
# a w JSON źródłowym 51.781247 (9 znaków, 6 cyfr po kropce)
d_clean %>% mutate(lat_digits = nchar(latitude)) %>% pull(lat_digits) %>% table(useNA = "always")
d %>% mutate(lat_digits = nchar(latitude)) %>% pull(lat_digits) %>% table(useNA = "always")
# w większości przypadków jest jednak 9, rzadko 8, czasem 7,
table(nchar(l$data$`5_Tutaj_zlokalizowan.latitude`)) # to samo!
# to samo czytanie JSONa jest złe?
# https://stackoverflow.com/questions/36038349/significant-digits-when-converting-json-using-fromjson-in-jsonlite
# sprawdzę jeszcze print
d %>%
select(ec5_uuid, latitude) %>%
filter(ec5_uuid == "14a666a7-9c5b-4d5e-83a6-3621d7c199c7") %>%
pull(latitude) %>%
print(digits = 15)
# wszystko gra, to tylko kwestia wyświetlania... właśnie się czegoś nauczyłem!
####
# l_digits <- jsonlite::fromJSON(txt = data_json,
# options(digits = 22, flatten = TRUE)) # to są global options :D
#
# options(digits = 7) # Valid values are 1...22 with default 7.
# nchar(l_digits[["data"]][[1]][["5_Tutaj_zlokalizowan"]][["latitude"]])
# nchar daje 8, wypisana liczba to 51.77353000000000093905 ?
# działa dziwnie, lista wychodzi case by case
# a wartości lat / lon mają po
d_clean %>% mutate(lat_digits = nchar(latitude)) %>%
filter(lct_accu < 10000) %>%
ggplot(aes(factor(lat_digits), lct_accu)) +
geom_boxplot()
d_clean %>% mutate(lat_digits = nchar(latitude)) %>%
filter(lct_accu < 1000) %>%
group_by(lat_digits) %>% summarise(
me_accu = mean(lct_accu, na.rm = TRUE),
md_accu = median(lct_accu, na.rm = TRUE),
sd_accu = sd(lct_accu, na.rm = TRUE),
min_accu = min(lct_accu, na.rm = TRUE),
max_accu = max(lct_accu, na.rm = TRUE),
n = n()
)
# przy 7 cyfrach dokładność jest najwyższa
# przy 8 średnio najniższa dokładność, ale tu jest jednen outlier
# 9 największa rozpiętość, największa średnia i wariancja jeśli odciąć do 1000
################################ wszystko było prawidłowo ####################
## zapisać Rdata
# write_rds(d_clean, "d_clean.rds")