Prepro 2: Übung B

# Benötigte Packages
library("dplyr")
library("readr")

Aufgabe 1

Gegeben sind die Daten von drei Sensoren (sensor1.csv, sensor2.csv, sensor3.csv). Lese die Datensätze ein.

Code

sensor1 <- read_delim("datasets/prepro/sensor1.csv", ";")
sensor2 <- read_delim("datasets/prepro/sensor2.csv", ";")
sensor3 <- read_delim("datasets/prepro/sensor3.csv", ";")

Aufgabe 2

Erstelle aus den 3 Dataframes eine einzige Dataframe, die aussieht wie unten dargestellt. Nutze dafür zwei joins aus dplyr um 3 data.frames miteinander zu verbinden. Bereinige im Anschluss die Spaltennamen (wie geht das?).

Code

sensor1_2 <- full_join(sensor1, sensor2, "Datetime")

sensor1_2 <- rename(sensor1_2, sensor1 = Temp.x, sensor2 = Temp.y)

sensor_all <- full_join(sensor1_2, sensor3, by = "Datetime")

sensor_all <- rename(sensor_all, sensor3 = Temp)

Datetime	sensor1	sensor2	sensor3
16102017_1800	23.5	13.5	26.5
17102017_1800	25.4	24.4	24.4
18102017_1800	12.4	22.4	13.4
19102017_1800	5.4	12.4	7.4
23102017_1800	23.5	13.5	NA
24102017_1800	21.3	11.3	NA

Aufgabe 3

Importiere die Datei sensor_fail.csv in R.

Code

sensor_fail <- read_delim("datasets/prepro/sensor_fail.csv", delim = ";")

sensor_fail.csv hat eine Variabel SensorStatus: 1 bedeutet der Sensor misst, 0 bedeutet der Sensor misst nicht. Fälschlicherweise wurde auch dann der Messwert Temp = 0 erfasst, wenn Sensorstatus = 0. Richtig wäre hier NA (not available). Korrigiere den Datensatz entsprechend.

Sensor	Temp	Hum_%	Datetime	SensorStatus
Sen102	0.6	98	16102017_1800	1
Sen102	0.3	96	17102017_1800	1
Sen102	0.0	87	18102017_1800	1
Sen102	0.0	86	19102017_1800	0
Sen102	0.0	98	23102017_1800	0
Sen102	0.0	98	24102017_1800	0
Sen102	0.0	96	25102017_1800	1
Sen103	-0.3	87	26102017_1800	1
Sen103	-0.7	98	27102017_1800	1
Sen103	-1.2	98	28102017_1800	1

Code

# mit base-R:
sensor_fail$Temp_correct[sensor_fail$SensorStatus == 0] <- NA
sensor_fail$Temp_correct[sensor_fail$SensorStatus != 0] <- sensor_fail$Temp #Warnmeldung kann ignoriert werden.

# das gleiche mit dplyr:
sensor_fail <- sensor_fail |>
  mutate(Temp_correct = ifelse(SensorStatus == 0, NA, Temp))

Aufgabe 4

Warum spielt das es eine Rolle, ob 0 oder NA erfasst wird? Berechne die Mittlere der Temperatur / Feuchtigkeit nach der Korrektur.

Code

# Mittelwerte der falschen Sensordaten: 0 fliesst in die Berechnung
# ein und verfälscht den Mittelwert
mean(sensor_fail$Temp)
## [1] -0.13

# Mittelwerte der korrigierten Sensordaten: mit na.rm = TRUE werden
# NA-Werte aus der Berechnung entfernt.
mean(sensor_fail$Temp_correct, na.rm = TRUE)
## [1] -0.1857143