Padronização de categorias

Limpeza de Dados em Java

Dennis Lee

Software Engineer

Por que padronizar categorias?

  • Nomes de categorias inconsistentes: não dá para agrupar
  • Várias formas de escrever "Fruits & Vegetables"
  • Solução: padronizar categorias

 

 

Categoria bruta Quantidade
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Limpeza de Dados em Java

Etapas da padronização

  1. Definir categorias padrão
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Mapear variações para categorias padrão
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Fazer a análise — ex.: contar FRUITS_AND_VEGETABLES
Limpeza de Dados em Java

Definir categorias padrão com enum

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

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

FRUITS_AND_VEGETABLES
Limpeza de Dados em Java

Mapear categorias brutas para categorias padrão

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);
Limpeza de Dados em Java

Mapear variações: resultados

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

FRUITS_AND_VEGETABLES

 

rawCategories: apenas visualização; colunas representam pares chave-valor no Map

Categoria bruta Categoria padrão
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Limpeza de Dados em Java

Tratando categorias desconhecidas

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
Categoria bruta Categoria padrão
Mystery Category UNCATEGORIZED
Limpeza de Dados em Java

Tornando o mapeamento imutável

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
Limpeza de Dados em Java

Extrair categorias do conjunto de dados

// 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: Mapeamento extraído do nosso conjunto de estoque de mercearia

Categoria bruta Quantidade
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Limpeza de Dados em Java

Buscar categoria padrão

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: Mapeamento usado para buscar a categoria padrão

Categoria bruta Categoria padrão
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Limpeza de Dados em Java

Somar por categoria padrão

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: Mapeamento após buscar rawData em categoryMap

Categoria padrão Quantidade
FRUITS_AND_VEGETABLES 60
Limpeza de Dados em Java

Agrupar por categoria padrão: resumo

1) Extrair o mapa rawData de categoria/quantidade do conjunto de dados (trecho abaixo)

Categoria bruta Quantidade
Fruits & Vegetables 10

2) Criar categories para buscar categorias padrão (trecho abaixo)

Categoria bruta Categoria padrão
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Calcular stockByCategory buscando rawData em categories (trecho abaixo)

Categoria padrão Quantidade
FRUITS_AND_VEGETABLES 60
Limpeza de Dados em Java

Juntando tudo

Imports principais

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Criar um enum para categorias padrão
  • Construir um mapeamento com HashMap
  • Tornar o mapeamento imutável com Collections.unmodifiableMap
  • Tratar desconhecidos com .getOrDefault()
  • Agrupar por categorias padronizadas com .merge()
Limpeza de Dados em Java

Vamos praticar!

Limpeza de Dados em Java

Preparing Video For Download...