Estandarización de categorías

Limpieza de datos en Java

Dennis Lee

Software Engineer

¿Por qué estandarizar categorías?

  • Nombres de categoría inconsistentes: no se puede agrupar
  • Varias formas de escribir "Fruits & Vegetables"
  • Solución: estandarizar categorías

 

 

Categoría bruta Cantidad
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Limpieza de datos en Java

Pasos para estandarizar

  1. Define categorías estándar
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Mapea variaciones a categorías estándar
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Analiza: p. ej., cuenta FRUITS_AND_VEGETABLES
Limpieza de datos en Java

Definir categorías estándar con enum

// Define standard categories
public enum ProductCategory {
    FRUITS_AND_VEGETABLES,
    DAIRY,
    UNCATEGORIZED;
}

// Example category
System.out.println(ProductCategory.FRUITS_AND_VEGETABLES);

FRUITS_AND_VEGETABLES
Limpieza de datos en Java

Mapear categorías brutas a estándar

import java.util.HashMap;
import java.util.Map;

// Define map of raw category variations to standard categories
Map<String, ProductCategory> rawCategories = new HashMap<>();
// Variation 1: Fruits & Vegetables
rawCategories.put("Fruits & Vegetables", ProductCategory.FRUITS_AND_VEGETABLES);
// Variation 2: fruits & veg
rawCategories.put("fruits & veg", ProductCategory.FRUITS_AND_VEGETABLES);
// Variation 3: Fruits&Veg
rawCategories.put("Fruits&Veg", ProductCategory.FRUITS_AND_VEGETABLES);
Limpieza de datos en Java

Mapear variaciones a la categoría estándar: resultados

System.out.println(rawCategories.get("fruits & veg")); // Get standard category

FRUITS_AND_VEGETABLES

 

rawCategories: solo visualización; las columnas son pares clave-valor del Map

Categoría bruta Categoría estándar
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Limpieza de datos en Java

Gestionar categorías desconocidas

String unknownCategory = "Mystery Category";

// Return UNCATEGORIZED if category not found in rawCategories
ProductCategory category = rawCategories.getOrDefault(
        unknownCategory, ProductCategory.UNCATEGORIZED);

System.out.println("Unknown: " + category);

Mystery Category: UNCATEGORIZED
Categoría bruta Categoría estándar
Mystery Category UNCATEGORIZED
Limpieza de datos en Java

Hacer el mapeo inmutable

import java.util.Collections;

Map<String, ProductCategory> categories =
        Collections.unmodifiableMap(rawCategories); // Create immutable view


try {
    categories.put("new", ProductCategory.DAIRY); // Will throw exception
} catch (UnsupportedOperationException e) {
    System.out.println("Cannot modify immutable map");
}

Cannot modify immutable map
Limpieza de datos en Java

Extraer categorías del dataset

// Extract category and quantity from our grocery inventory dataset
Map<String, Integer> rawData = 
        Map.of("Fruits & Vegetables", 10, 
               "fruits & veg", 20,
               "Fruits&Veg", 30);

rawData: Mapeo extraído del inventario de comestibles

Categoría bruta Cantidad
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Limpieza de datos en Java

Buscar la categoría estándar

Map<ProductCategory, Integer> stockByCategory =
        new EnumMap<ProductCategory, Integer>(ProductCategory.class);

rawData.forEach((raw, quantity) -> 
        // Lookup standard category in categories and sum quantities
        stockByCategory.merge(categories.get(raw), quantity, Integer::sum));

categories: Mapeo para buscar la categoría estándar

Categoría bruta Categoría estándar
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Limpieza de datos en Java

Sumar por categoría estándar

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: Mapeo tras buscar rawData en categoryMap

Categoría estándar Cantidad
FRUITS_AND_VEGETABLES 60
Limpieza de datos en Java

Agrupar por categoría estándar: resumen

1) Extrae el mapa rawData de categoría/cantidad del dataset (fragmento abajo)

Categoría bruta Cantidad
Fruits & Vegetables 10

2) Crea categories para buscar categorías estándar (fragmento abajo)

Categoría bruta Categoría estándar
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Calcula stockByCategory buscando rawData en categories (fragmento abajo)

Categoría estándar Cantidad
FRUITS_AND_VEGETABLES 60
Limpieza de datos en Java

Todo junto

Imports clave

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Crea un enum para categorías estándar
  • Construye un mapeo con HashMap
  • Haz el mapeo inmutable con Collections.unmodifiableMap
  • Gestiona desconocidas con .getOrDefault()
  • Agrupa por categorías estandarizadas con .merge()
Limpieza de datos en Java

¡Vamos a practicar!

Limpieza de datos en Java

Preparing Video For Download...