Standardizzazione delle categorie

Pulizia dei dati in Java

Dennis Lee

Software Engineer

Perché standardizzare le categorie?

  • Nomi di categoria incoerenti: non puoi raggruppare i dati
  • Modi diversi di scrivere "Fruits & Vegetables"
  • Soluzione: standardizzare le categorie

 

 

Categoria grezza Quantità
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Pulizia dei dati in Java

Passi per la standardizzazione

  1. Definisci categorie standard
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Mappa le varianti alle categorie standard
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Esegui l'analisi, es. conta categorie come FRUITS_AND_VEGETABLES
Pulizia dei dati in Java

Definisci categorie standard 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
Pulizia dei dati in Java

Mappa le categorie grezze alle categorie 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);
Pulizia dei dati in Java

Mappa varianti a categorie standard: risultati

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

FRUITS_AND_VEGETABLES

 

rawCategories: solo per visualizzazione; le colonne rappresentano coppie chiave-valore nella Map

Categoria grezza Categoria standard
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Pulizia dei dati in Java

Gestire categorie sconosciute

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 grezza Categoria standard
Mystery Category UNCATEGORIZED
Pulizia dei dati in Java

Rendere immutabile la mappatura

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
Pulizia dei dati in Java

Estrai le categorie dal nostro 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: mappatura estratta dal nostro insieme di dati dell'inventario alimentare

Categoria grezza Quantità
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Pulizia dei dati in Java

Cerca la categoria 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: mappatura usata per cercare la categoria standard

Categoria grezza Categoria standard
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Pulizia dei dati in Java

Somma per categoria standard

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: mappatura dopo la ricerca di rawData in categoryMap

Categoria standard Quantità
FRUITS_AND_VEGETABLES 60
Pulizia dei dati in Java

Raggruppare per categoria standard: riepilogo

1) Estrai la mappa rawData categoria/quantità dal dataset (estratto sotto)

Categoria grezza Quantità
Fruits & Vegetables 10

2) Crea categories per cercare le categorie standard (estratto sotto)

Categoria grezza Categoria standard
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Calcola stockByCategory cercando rawData in categories (estratto sotto)

Categoria standard Quantità
FRUITS_AND_VEGETABLES 60
Pulizia dei dati in Java

Mettiamo tutto insieme

Import principali

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Crea un enum per le categorie standard
  • Costruisci una mappatura con HashMap
  • Rendi la mappatura immutabile con Collections.unmodifiableMap
  • Gestisci categorie sconosciute con .getOrDefault()
  • Raggruppa per categorie standard con .merge()
Pulizia dei dati in Java

Esercitiamoci!

Pulizia dei dati in Java

Preparing Video For Download...