Descubrir patrones de formato

Generaliza un vector de texto mediante la convención del Pattern Finder de DataCleaner: 9 representa un dígito, a una letra minúscula y A una letra mayúscula. Los símbolos y espacios se conservan literalmente.

Uso

descubrir_patrones(
  x,
  distinguir_mayusculas = TRUE,
  expandir = FALSE,
  max_patrones = 20,
  na.rm = TRUE,
  muestra = 1e+05,
  umbral_raro = 0.05
)

Argumentos

x

Vector que se convertirá a texto.

distinguir_mayusculas

Si es TRUE, distingue a de A.

expandir

Si es FALSE, colapsa tokens repetidos (9999 a 9+).

max_patrones

Número máximo de patrones que se muestran.

na.rm

Si es TRUE, excluye los valores ausentes.

muestra

Máximo de valores que se analizan.

umbral_raro

Umbral usado para conservar un resumen acotado de patrones raros para los hallazgos.

Valor

Un data frame de clase patrones con patrón, frecuencia, proporción y ejemplos. Los atributos total, analizados y muestreado describen el posible muestreo. resumen_patrones conserva sólo el patrón dominante y hasta seis patrones raros; nunca guarda la distribución completa. Las proporciones siempre están en [0, 1]. n_patrones_distintos registra el total antes de truncar la tabla para informar omisiones sin retenerla.

Detalles

El cálculo aplica reemplazos vectorizados sobre el vector completo. Si el vector supera muestra, usa una muestra sistemática reproducible y registra esa decisión en los atributos del resultado.

Ver también

perfilar(), inferir_tipo(), detectar_formatos_fecha()

Ejemplos

descubrir_patrones(
  c("2020-01-31", "2021-12-01", "31/01/2020"),
  expandir = TRUE
)
#>       patron n proporcion                ejemplos
#> 1 9999-99-99 2  0.6666667 2020-01-31 | 2021-12-01
#> 2 99/99/9999 1  0.3333333              31/01/2020