Standardisation des catégories

Nettoyer des données en Java

Dennis Lee

Software Engineer

Pourquoi standardiser les catégories ?

Noms de catégories incohérents : impossible de regrouper
Plusieurs écritures de « Fruits & Vegetables »
Solution : standardiser les catégories

Catégorie brute	Quantité
Fruits & Vegetables	10
fruits & veg	20
Fruits&Veg	30

Étapes de standardisation

Définir les catégories standard

FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED

Faire correspondre les variantes aux catégories standard

Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES

Analyser, p. ex. compter FRUITS_AND_VEGETABLES

Définir des catégories standard avec enum

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

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

FRUITS_AND_VEGETABLES

Mapper les catégories brutes vers les catégories standard

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);

Mapper les variantes vers les catégories standard : sorties

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

FRUITS_AND_VEGETABLES

rawCategories : à titre illustratif ; les colonnes représentent les paires clé-valeur de la Map

Catégorie brute	Catégorie standard
Fruits & Vegetables	FRUITS_AND_VEGETABLES
fruits & veg	FRUITS_AND_VEGETABLES
Fruits&Veg	FRUITS_AND_VEGETABLES

Gérer les catégories inconnues

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

Catégorie brute	Catégorie standard
Mystery Category	UNCATEGORIZED

Rendre le mapping immuable

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

Extraire les catégories du jeu de données

// 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 : mapping extrait de notre jeu de données d’inventaire

Catégorie brute	Quantité
Fruits & Vegetables	10
fruits & veg	20
Fruits&Veg	30

Faire correspondre la catégorie standard

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 : mapping utilisé pour retrouver la catégorie standard

Catégorie brute	Catégorie standard
Fruits & Vegetables	FRUITS_AND_VEGETABLES
fruits & veg	FRUITS_AND_VEGETABLES
Fruits&Veg	FRUITS_AND_VEGETABLES

Sommer par catégorie standard

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

stockByCategory : mapping après recherche de rawData dans categoryMap

Catégorie standard	Quantité
FRUITS_AND_VEGETABLES	60

Regrouper par catégorie standard : résumé

1) Extraire la map rawData catégorie/quantité du jeu de données (extrait ci-dessous)

Catégorie brute	Quantité
Fruits & Vegetables	10

2) Créer categories pour retrouver les catégories standard (extrait ci-dessous)

Catégorie brute	Catégorie standard
Fruits & Vegetables	FRUITS_AND_VEGETABLES

3) Calculer stockByCategory en recherchant rawData dans categories (extrait ci-dessous)

Catégorie standard	Quantité
FRUITS_AND_VEGETABLES	60

Assembler le tout

Imports clés

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

Créer un enum pour les catégories standard
Construire un mapping avec HashMap
Rendre un mapping immuable avec Collections.unmodifiableMap
Gérer l’inconnu avec .getOrDefault()
Regrouper par catégories standard avec .merge()

Passons à la pratique !

Nettoyer des données en Java