Case study: EDA & imputatie

Functies en opgeslagen procedures schrijven in SQL Server

Meghan Kwartler

IT Consultant

Taxirit: businessprobleem

Europese private-equityfirma zoekt investering in US-transport.
Wat is het gemiddelde tarief per afstand, het aantal ritten en de totale rijtijd per NYC-borough per weekdag?
Welke opstaplocaties binnen de borough plan je in voor de diensten van chauffeurs?

Essentiële EDA

Gedistribueerde transactionele datasets kunnen onmogelijke scenario's bevatten door kalibratiefouten bij dataverzameling
- Datums in de toekomst
- Einddatums vóór startdatums

SELECT * 
FROM CapitalBikeShare 
WHERE 
  StartDate > GetDate() 
  OR EndDate > GetDate() 
  OR StartDate > EndDate

Data-imputatie

Delen door nul bij berekenen Gem. tarief/TripDistance
EDA vindt honderden TaxiRide-ritten met Trip Distance = 0
Imputatiemethoden om op te lossen
- Gemiddelde
- Hot deck
- Weglaten

Imputatie met gemiddelde

Vervang missende waarde door gemiddelde
Verandert het gemiddelde niet
Vergroot correlaties met andere kolommen

CREATE PROCEDURE dbo.ImputeDurMean 
AS
BEGIN
DECLARE @AvgTripDuration AS float

SELECT @AvgTripDuration = AVG(Duration) 
FROM CapitalBikeShare
WHERE Duration > 0

UPDATE CapitalBikeShare
SET Duration =  @AvgTripDuration
WHERE Duration = 0
END;

Hot deck-imputatie

Missende waarde ingevuld met willekeurige waarde
TABLESAMPLE-clausule in FROM

CREATE FUNCTION dbo.GetDurHotDeck()
RETURNS decimal (18,4)
AS BEGIN
RETURN (SELECT TOP 1 Duration
FROM CapitalBikeShare
TABLESAMPLE (1000 rows)
WHERE Duration >0)
END

SELECT 
  StartDate, 
  "TripDuration" = CASE WHEN Duration > 0 THEN Duration 
                        ELSE dbo.GetDurHotDeck() END 
FROM CapitalBikeShare;

SELECT 
  DATENAME(weekday, StartDate) AS DayofWeek, 
  AVG(Duration) AS 'AvgDuration' 
FROM CapitalBikeShare 
WHERE Duration > 0 
GROUP BY DATENAME(weekday, StartDate) 
ORDER BY AVG(Duration) desc

+-----------+-------------+
| DayofWeek | AvgDuration |
|-----------+-------------|
| Saturday  | 1476        |
| Sunday    | 1391        |
| Monday    |  979        |
| Friday    |  957        |
| Thursday  |  956        |
| Wednesday |  807        |
| Tuesday   |  763        |
+-----------+-------------|

Jouw beurt!

Functies en opgeslagen procedures schrijven in SQL Server