first_prep.R

# versione con categoria missing solo se ci sono effettivamente missing values e non nella target + rimozione spazi, trattini ecc nei livelli delle categoriche
first_prep = function(data, target) {
  col_names = colnames(data)
  
  for (col in col_names) {
    if (is.numeric(data[[col]])) {
      col_mean = mean(data[[col]], na.rm = TRUE)
      data[[col]][is.na(data[[col]])] = col_mean
    } 
    else if (is.logical(data[[col]]) || length(unique(data[[col]])) == 2) {
      col_mode = names(sort(-table(data[[col]], useNA = "always")))[1]
      data[[col]][is.na(data[[col]])] = as.logical(col_mode)
    } 
    else if (is.factor(data[[col]]) || (is.character(data[[col]]) && length(unique(data[[col]])) > 2)) {
      
      
      data[[col]] <- sapply(data[[col]], function(x) gsub("[^[:alnum:]\\_]", "_", x)) # remove non alpha numeric characters
      
      data[[col]]=factor(data[[col]])
     
      if (sum(is.na(data[[col]])>0) && col!= target){
      levels(data[[col]]) = c(levels(data[[col]]), "Missing")
      data[[col]][is.na(data[[col]])] = "Missing"
      }
    }
      
    else if (length(unique(data[[col]])) == 1) {
      data[[col]] = NULL
    }
  }
  
  return(data)
}