Standardizace kategorií

Cleaning Data in Java

Dennis Lee

Software Engineer

Proč standardizovat kategorie?

  • Nekonzistentní názvy kategorií: nelze seskupovat data
  • Různé způsoby zápisu „Fruits & Vegetables"
  • Řešení: standardizace kategorií

 

 

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Cleaning Data in Java

Kroky standardizace

  1. Definujte standardní kategorie
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Namapujte varianty na standardní kategorie
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Provádějte analýzu – např. počítejte kategorie jako FRUITS_AND_VEGETABLES
Cleaning Data in Java

Definice standardních kategorií pomocí enum

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

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

FRUITS_AND_VEGETABLES
Cleaning Data in Java

Mapování surových kategorií na standardní

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);
Cleaning Data in Java

Mapování variant na standardní kategorie: výstupy

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

FRUITS_AND_VEGETABLES

 

rawCategories: pouze pro vizualizaci; sloupce představují páry klíč–hodnota v Map

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Cleaning Data in Java

Zpracování neznámých kategorií

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
Raw Category Standard Category
Mystery Category UNCATEGORIZED
Cleaning Data in Java

Vytvoření neměnného mapování

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
Cleaning Data in Java

Extrakce kategorií z datové sady

// 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: Mapování extrahované z datové sady skladového inventáře

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Cleaning Data in Java

Vyhledání standardní kategorie

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: Mapování pro vyhledání standardní kategorie

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Cleaning Data in Java

Součet přes standardní kategorii

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: Mapování po vyhledání rawData v categoryMap

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Cleaning Data in Java

Seskupení podle standardní kategorie: shrnutí

1) Extrahujte mapu rawData kategorie/množství z datové sady (ukázka níže)

Raw Category Quantity
Fruits & Vegetables 10

2) Vytvořte categories pro vyhledání standardních kategorií (ukázka níže)

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Vypočítejte stockByCategory vyhledáním rawData v categories (ukázka níže)

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Cleaning Data in Java

Vše dohromady

Klíčové importy

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Vytvoření enum pro standardní kategorie
  • Sestavení mapování kategorií pomocí HashMap
  • Neměnné mapování pomocí Collections.unmodifiableMap
  • Zpracování neznámých kategorií pomocí .getOrDefault()
  • Seskupení podle standardizovaných kategorií pomocí .merge()
Cleaning Data in Java

Let's practice!

Cleaning Data in Java

Preparing Video For Download...