Menata tabel dan menangani nilai yang hilang.

Data nyata itu berantakan. Sebelum menghitung apa pun, periksa apa yang ada di dalam tabel. Beberapa masalah yang umum:

• Satuan yang berbeda. Satu kolom menggunakan milimeter dan kolom lain sentimeter, atau ada campuran keduanya dalam satu kolom. Pada 1999, NASA kehilangan Mars Climate Orbiter terutama karena perangkat lunak satu tim memberikan suatu besaran dalam satuan imperial, sedangkan tim lain mengharapkan satuan metrik. Tabel tidak dapat memperingatkanmu; kamu harus membaca satuannya.
• Ejaan dan format. "Adelie", "adelie", dan "Adelie " (dengan spasi di akhir) terlihat seperti tiga kelompok bagi komputer. Tanggal yang ditulis sebagai 03/04/2024 berarti hari yang berbeda di negara yang berbeda.
• Nilai yang mustahil. Massa tubuh 0 g, sirip sepanjang 2 000 mm, tahun 2099. Kadang-kadang itu salah ketik, kadang-kadang penanda untuk "tidak diketahui".
• Duplikat. Unit yang sama dimasukkan dua kali, sehingga dihitung dua kali.

Masalah yang paling umum adalah nilai yang hilang, biasanya ditulis sebagai NA ("tidak tersedia"). Tabel penguin memiliki nilai seperti ini, dan ini menjadi pelajaran yang bagus:

• Tabel ini memiliki 344 baris.
• Dua baris (baris 4 dan 272) tidak memiliki satu pun pengukuran: burung-burung tersebut tercatat, lengkap dengan spesies dan pulaunya, tetapi tidak ada nilai paruh, sirip, atau massa.
• Sembilan baris lainnya memiliki data pengukuran, tetapi tidak memiliki jenis kelamin. Jadi, total ada 11 baris yang tidak memiliki jenis kelamin.
• Jadi, 342 burung memiliki data massa tubuh, dan 333 memiliki catatan lengkap.

Pengukuran penguin tersebut adalah kumpulan data penguin Palmer: 344 burung yang diukur di Palmer Station, Antarktika, pada tahun 2007, 2008, dan 2009 (Gorman, Williams, dan Fraser, 2014), serta dibagikan ke domain publik (CC0).

Apa yang harus kamu lakukan terhadap nilai yang hilang? Jawaban jujurnya adalah "tergantung mengapa nilai tersebut hilang". Jika hanya beberapa nilai yang hilang karena alasan yang tidak berkaitan dengan hal yang sedang kamu pelajari, misalnya timbangan kehabisan baterai, menghapus baris-baris tersebut hanya sedikit mengubah hasil. Namun, jika nilai yang hilang bersifat sistematis, menghapusnya akan mengubah jawaban. Bayangkan (dalam contoh buatan) bahwa burung yang paling berat terlalu sulit ditimbang. Jika kamu menghapus baris dengan massa yang hilang, rata-rata kamu akan lebih rendah daripada kenyataannya. Baris yang kamu hapus tidak dipilih secara acak, jadi baris yang kamu pertahankan tidak mewakili kondisi yang umum.

Beberapa kebiasaan dapat melindungimu:

• Lihat dulu. Hitung jumlah baris, periksa rentang setiap kolom, dan buat daftar kategorinya. Nilai yang mengejutkan adalah petunjuk.
• Jangan pernah menghapus secara diam-diam. Jika kamu menghapus baris, jelaskan baris mana dan alasannya. "Kami menganalisis 333 penguin dengan catatan lengkap" adalah pernyataan yang jujur. Jumlah yang lebih kecil tanpa penjelasan bukanlah hal yang jujur.
• Simpan data asli. Kerjakan salinan data agar kamu selalu bisa kembali ke data semula.
• Baca kamus data. Kamus data (codebook) menjelaskan arti setiap kolom, satuannya, cara nilai yang hilang ditulis, dan siapa yang mengumpulkannya. Untuk data penguin, kamus ini memberi tahu bahwa massa tubuh menggunakan satuan gram dan pengukuran paruh menggunakan satuan milimeter. Tanpa kamus ini, angka-angka itu hanyalah angka.
• Ingat galat pengukuran. Setiap pengukuran memiliki galat: misalnya, penggaris dibaca sedikit berbeda atau burung tidak mau diam. Galat kecil adalah hal yang wajar; galat tersebut merupakan salah satu alasan data bervariasi.