Pulizia dei dati

Julia intermedio

Anthony Markham

Quantitative Developer

Mostrare info sulle colonne

I nomi delle colonne sono la prima cosa da controllare in un dataset.
In generale, i nomi dovrebbero essere leggibili e concisi.

println(first(stock_data))

DataFrameRow
 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

Rinominare una colonna

Possiamo rinominare una colonna se un’etichetta diversa è più adatta.

 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

In questo caso, Adj Close ha uno spazio, da evitare.

rename!(stock_data, Dict(:Adj Close => :Adj_Close))

 Row | Date        Open     High     Low      Close    Adj_Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

Descrivere e trovare dati mancanti

I valori mancanti sono una fonte comune di incoerenza.
Le cause possono essere:
- errori di misurazione
- errori di trascrizione
- mancanti intenzionali
describe permette di trovare rapidamente i mancanti in un DataFrame.

println(describe(stock_data))

Descrivere i mancanti

describe() offre una panoramica generale del DataFrame.

7×7 DataFrame
 Row | variable   mean       min        median     max        nmissing  eltype
     | Symbol     Union     Any          Union     Any        Int64     DataType
<--------------------------------------------------------------------------------
   1 | Date                  1/02/2022             9/12/2022         0  String15
   2 | Open       152.613    126.01     151.19     178.55            0  Float64
   3 | High       154.721    127.77     153.72     179.61            0  Float64
   4 | Low        150.529    124.17     149.34     176.7             0  Float64
   5 | Close      152.698    125.02     151.21     178.96            4  Union
   6 | Adj_Close  152.296    125.02     151.07     178.154           0  Float64
   7 | Volume     8.70851e7  35195900   8.22912e7  182602000         0  Int64

Rimuovere i dati mancanti

Possiamo eliminare le righe mancanti con dropmissing.

println(nrow(stock_data))

dropmissing!(stock_data, :"Close")

Possiamo confermare di aver rimosso 4 righe con nrow() di nuovo.

println(nrow(stock_data))

Sostituire i valori mancanti

Eliminare le righe con valori mancanti di solito non è accettabile.
In base ai dati, possiamo sostituire i mancanti con un valore.

replace!(stock_data[!, "Close"], missing => 130)
println(stock_data[[202, 227, 235, 240], :])

 Row | Date        Open     High     Low      Close     Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64?  Float64    Int64
<----|-----------------------------------------------------------------------
   1 | 8/11/2022    140.41   141.43   137.49    130      139.5    89908500
   2 | 14/12/2022   145.35   146.66   141.16    130      143.21   82291200
   3 | 25/12/2022   130.92   132.42   129.64    130      131.86   63814900
   4 | 3/01/2023    130.28   130.9    124.17    130      125.07  112117500

Scegliere un valore arbitrario per sostituire i mancanti è raramente corretto.

Passons à la pratique !

Julia intermedio