
56
4
章 データのモデリングの準備
4.1
重複、計測値の欠落、外れ値のチェック
データを完全にテストして、それに時間をかけても大丈夫なことが確実になるまでは、データを信用
したり使ったりするべきではありません。このセクションでは、重複や計測値の欠落、そして外れ値の
扱い方を紹介します。
4.1.1
重複
重複は、データセット中では複数の行に現れながら、よく調べてみれば同じに見えるようなデータで
す。すなわち、それら 2つ(以上)の行を並べて比較してみれば、すべての部分がまったく同じ値を持っ
ているということです。
一方で、データに何らかの IDが与えられており、レコードを区別できるようになっている(あるいは
たとえば、レコードが特定のユーザーに紐付けられている)ような場合には、一見したところでは重複
に見えたものが、実はそうではないかもしれません。場合によってはシステムの障害で間違った IDが生
成されることもあります。そういった場合には、同じ ID が本当に重複なのかを調べたり、あるいは新し
いIDの仕組みを考えたりしなければならないかもしれません。
下記の例を考えてみましょう。
df = spark.createDataFrame([
(1, 144.5, 5.9, 33, 'M'),
(2, 167.2, 5.4, 45, 'M'),
(3, 124.1, 5.2, 23, 'F'),
(4, 144.5, 5.9, 33, 'M'),
(5, 133.2, 5.7, 54, 'F'),