Estudio de caso: EDA e imputación

Escritura de funciones y procedimientos almacenados en SQL Server

Meghan Kwartler

IT Consultant

Problema de negocio: trayectos en taxi

Firma de capital privado de la UE busca oportunidades en transporte en EE. UU.
¿Cuál es la media de tarifa por distancia, el número de viajes y el tiempo total por barrio de NYC y día de la semana?
¿Qué zonas de recogida del barrio se asignan a cada turno de conductor?

foto de taxi amarillo

EDA esencial

Datos transaccionales distribuidos pueden contener casos imposibles por problemas de calibración
- Fechas en el futuro
- Fin anterior al inicio

SELECT * 
FROM CapitalBikeShare 
WHERE 
  StartDate > GetDate() 
  OR EndDate > GetDate() 
  OR StartDate > EndDate

Imputación de datos

Error de división por cero al calcular Tarifa media/TripDistance
La EDA detecta cientos de viajes con Trip Distance = 0
Métodos de imputación para resolver
- Media
- Hot Deck
- Omisión

Imputación por media

Sustituir faltantes por la media
No cambia la media
Aumenta correlaciones con otras columnas

CREATE PROCEDURE dbo.ImputeDurMean 
AS
BEGIN
DECLARE @AvgTripDuration AS float

SELECT @AvgTripDuration = AVG(Duration) 
FROM CapitalBikeShare
WHERE Duration > 0

UPDATE CapitalBikeShare
SET Duration =  @AvgTripDuration
WHERE Duration = 0
END;

Imputación Hot Deck

Valor faltante asignado a un valor aleatorio
Cláusula TABLESAMPLE de FROM

CREATE FUNCTION dbo.GetDurHotDeck()
RETURNS decimal (18,4)
AS BEGIN
RETURN (SELECT TOP 1 Duration
FROM CapitalBikeShare
TABLESAMPLE (1000 rows)
WHERE Duration >0)
END

SELECT 
  StartDate, 
  "TripDuration" = CASE WHEN Duration > 0 THEN Duration 
                        ELSE dbo.GetDurHotDeck() END 
FROM CapitalBikeShare;

SELECT 
  DATENAME(weekday, StartDate) AS DayofWeek, 
  AVG(Duration) AS 'AvgDuration' 
FROM CapitalBikeShare 
WHERE Duration > 0 
GROUP BY DATENAME(weekday, StartDate) 
ORDER BY AVG(Duration) desc

+-----------+-------------+
| DayofWeek | AvgDuration |
|-----------+-------------|
| Saturday  | 1476        |
| Sunday    | 1391        |
| Monday    |  979        |
| Friday    |  957        |
| Thursday  |  956        |
| Wednesday |  807        |
| Tuesday   |  763        |
+-----------+-------------|

¡Tu turno!

Escritura de funciones y procedimientos almacenados en SQL Server