更新了第二个资源

一般来说，据我所知，这是关于“数据质量”的问题。有很多手册，我喜欢这本的建议——这可以说是语义级别：

SIX CORE DATA QUALITY DIMENSIONS
    COMPLETENESS 
    UNIQUENESS 
    TIMELINESS
    VALIDITY
    ACCURACY
    CONSISTENCY

此M&E 属性：数据质量评估清单更为详细。

然后，当然，您应该更深入地了解语法级别。

正确或巧妙地替换 NA 值也称为“估算”，这可能是一个非常技术性的话题。请参阅 2011 年的这篇论文：MICE: Multivariate Imputation by Chained Equations in R

可在此处找到另一组近期材料：统计良好的“data.frame”处理器/调节器 • R 专家 Nina Zumel 和 John Mount 的 vtreat。

他们专注于为统计建模准备数据（这不同于为 ERP 系统或科学计算任务准备数据）。

在该页面上有指向技术论文的链接（例如arXiv:1611.09477 stat.AP）和从该页面链接的更短、更易读的文章，其中“[...] 展示了一些数据可能出错的事情，以及探索使用 R 统计语言解决这些问题的方法。”

• 缺失值的处理

• 新级别的处理（分类变量的新值）

• 分类变量级别的显式编码

• 处理具有大量水平的分类变量

• 安全处理“宽数据”（具有非常多变量的数据）

• 意外超出范围的数字输入的项圈/Winsorizing。

  还有很多

老实说，我认为我是一位经验丰富的中级 R 程序员，但我仍然在为这些问题苦苦挣扎。没有一个万能的清单，你可以通过划掉事情来解决。

一旦你有了数据，skimrskim包中的函数就非常方便了。您只需要确定数据是否正确读取或可能具有奇怪的值。

https://github.com/ropensci/skimr

要添加到列表中的另一个观点：

我的一个项目包括为期一年的每周节奏，在那里我得到了一组新的结构相似的输入文件。在这些输入文件上执行的过程相当冗长，并且问题的第一个症状可能需要几天才能爆发（从而失去几天的处理时间），因此尽早发现违反我的假设是相当重要的。

如果代码是我的，那么当我发现文件有问题时，我要做的第一件事就是提交问题/错误，编写测试以捕获生成错误，修复错误，然后继续。由于代码不是我的，我只能针对数据而不是代码进行测试。

所以我testthat在我的输入文件上采用了 using 。（我确信其他单元测试也可以进行类似的调整。）由于每个文件的名称和结构对于测试来说都是静态的，所以它相当简单。此外，testthat它提供了良好的自动化机制，并以易于消化（如果需要，还可以详细）格式返回问题，以便快速识别问题。

预先设想其中一些测试并不难：类型（int、string、bool）、最小/最大大小（正好 1、不少于 10、不超过 52）和集合（只允许特定值）。虽然我可以想到一百万种可能导致数据出错的其他方式，但我无法防范（或检查）所有这些。所以我的模板从基础开始：类型、大小和集合。如果有明显的边界值（例如，总是非负的），那么我可以合并这些值，但在大多数情况下，这些默认值之后的任何测试都是为了防止我实际看到的（而不仅仅是想象的）失败。

（我不会讨论如何编写个人函数来将这些类型的测试应用于数据集，该网站的示例非常强大。）