Estadísticas de datos

Limpieza de datos en Java

Dennis Lee

Software Engineer

¡Conoce a tu instructor!

 

Dennis Lee

 

  • Ingeniero de software en Amazon
  • Tecnología y operaciones
  • Doctorado en Ingeniería Eléctrica e Informática

 

Foto del instructor

Limpieza de datos en Java

Por qué importa limpiar los datos

 

Título Fecha de publicación Valoración Nº reseñas Precio
[null] 1/10/23 4.8 165 $30.61
9/13/19 4.8 2,521 $38.00
Clean Code 8/1/08 4.7 5,639 $400.00

 

  • Datos sucios: pérdidas de ventas, confusión de clientes, previsiones poco fiables
  • Solución: limpiar los datos
Limpieza de datos en Java

Programa del curso

  1. Evaluar la calidad de los datos

 

1_Ch1_L1_.jpg

Limpieza de datos en Java

Programa del curso

  1. Evaluar la calidad de los datos
  2. Transformar datos

 

2_Ch1_L1_.jpg

Limpieza de datos en Java

Programa del curso

  1. Evaluar la calidad de los datos
  2. Transformar datos
  3. Validar datos

 

3_Ch1_L1_.jpg

Limpieza de datos en Java

Programa del curso

  1. Evaluar la calidad de los datos
  2. Transformar datos
  3. Validar datos
  4. Limpiar datos tabulares

 

4_Ch1_L1_.jpg

Limpieza de datos en Java

Estructurar los datos

import java.time.LocalDate;

public class BookSalesExample {
    private record BookSales(String title, LocalDate publishDate, 
                             int reviewCount,  double rating, double price) {}}

book.rating() // book is an instance of BookSales
Título Fecha de publicación Valoración Nº reseñas Precio
Python Crash Course 1/10/23 4.8 165 $30.61
The Pragmatic Programmer 9/13/19 4.8 2,521 $38.00
Clean Code 8/1/08 4.7 5,639 $40.00
Limpieza de datos en Java

Poblar el conjunto de datos

import java.time.LocalDate;
import java.util.Arrays;
import java.util.List;

// Create books with title, publishDate, reviewCount, rating, and price
List<BookSales> books = Arrays.asList(
        new BookSales("Python Crash Course", LocalDate.of(2023, 1, 10),
                      165, 4.8, 30.61),
        new BookSales("The Pragmatic Programmer", LocalDate.of(2019, 9, 13),
                      2521, 4.5, 38.00),
        new BookSales("Clean Code", LocalDate.of(2008, 8, 1),
                      5639, 4.7, 40.00));
Limpieza de datos en Java

Calcular media, mín., máx.

import org.apache.commons.math3.stat.descriptive.DescriptiveStatistics;


public class BookSalesExample {
    public static void main(String[] args) {
        // Create stats calculator
        DescriptiveStatistics stats = new DescriptiveStatistics();
        // Add each book's price to stats
        books.forEach(book -> stats.addValue(book.getPrice()));
    }
}
Limpieza de datos en Java

Salida de ejemplo: rango de precios

System.out.printf("Books analyzed: %d%n", books.size());

Books analyzed: 3

System.out.printf("Average price: $%.2f%n", stats.getMean());

Average price: $36.20

System.out.printf("Price range: $%.2f - $%.2f%n", stats.getMin(), stats.getMax());

Price range: $30.61 - $40.00
Limpieza de datos en Java

Calcular percentiles

public class BookSalesExample {
    public static void main(String[] args) {
        // 50th percentile = median
        System.out.printf("Median price: $%.2f%n", stats.getPercentile(50));

        System.out.printf("Normal range: $%.2f - $%.2f%n",
                stats.getPercentile(25), stats.getPercentile(75));
    }
}

Median price: $38.00

Normal range: $30.61 - $40.00
Limpieza de datos en Java

Estadística como control de calidad

  • Métodos de DescriptiveStatistics
    • .getMean(): precio medio
    • .getMin(), .getMax(): rango de precios
    • .getPercentile(): precios típicos
  • Detecta problemas revisando rangos de precios
  • Beneficios
    • Detección rápida de problemas
    • Escala a grandes conjuntos
    • Sustituye la revisión manual

Pila de libros

Limpieza de datos en Java

¡Vamos a practicar!

Limpieza de datos en Java

Preparing Video For Download...