Statistiky dat

Cleaning Data in Java

Dennis Lee

Software Engineer

Seznamte se s instruktorem!

 

Dennis Lee

 

  • Softwarový inženýr ve společnosti Amazon
  • Technologie a provoz
  • Ph.D. v oboru elektrotechniky a počítačového inženýrství

 

Fotografie instruktora

Cleaning Data in Java

Proč záleží na čistých datech

 

Název Datum vydání Hodnocení Počet recenzí Cena
[null] 1/10/23 4.8 165 $30.61
9/13/19 4.8 2,521 $38.00
Clean Code 8/1/08 4.7 5,639 $400.00

 

  • Nekvalitní data: ztráty prodeje, zmatení zákazníků, nespolehlivé prognózy
  • Řešení: vyčistit data
Cleaning Data in Java

Osnova kurzu

  1. Posouzení kvality dat

 

1_Ch1_L1_.jpg

Cleaning Data in Java

Osnova kurzu

  1. Posouzení kvality dat
  2. Transformace dat

 

2_Ch1_L1_.jpg

Cleaning Data in Java

Osnova kurzu

  1. Posouzení kvality dat
  2. Transformace dat
  3. Validace dat

 

3_Ch1_L1_.jpg

Cleaning Data in Java

Osnova kurzu

  1. Posouzení kvality dat
  2. Transformace dat
  3. Validace dat
  4. Čištění tabulkových dat

 

4_Ch1_L1_.jpg

Cleaning Data in Java

Struktura dat

import java.time.LocalDate;

public class BookSalesExample {
    private record BookSales(String title, LocalDate publishDate, 
                             int reviewCount,  double rating, double price) {}}

book.rating() // book is an instance of BookSales
Název Datum vydání Hodnocení Počet recenzí Cena
Python Crash Course 1/10/23 4.8 165 $30.61
The Pragmatic Programmer 9/13/19 4.8 2,521 $38.00
Clean Code 8/1/08 4.7 5,639 $40.00
Cleaning Data in Java

Naplnění datové sady

import java.time.LocalDate;
import java.util.Arrays;
import java.util.List;

// Create books with title, publishDate, reviewCount, rating, and price
List<BookSales> books = Arrays.asList(
        new BookSales("Python Crash Course", LocalDate.of(2023, 1, 10),
                      165, 4.8, 30.61),
        new BookSales("The Pragmatic Programmer", LocalDate.of(2019, 9, 13),
                      2521, 4.5, 38.00),
        new BookSales("Clean Code", LocalDate.of(2008, 8, 1),
                      5639, 4.7, 40.00));
Cleaning Data in Java

Výpočet průměru, minima a maxima

import org.apache.commons.math3.stat.descriptive.DescriptiveStatistics;


public class BookSalesExample {
    public static void main(String[] args) {
        // Create stats calculator
        DescriptiveStatistics stats = new DescriptiveStatistics();
        // Add each book's price to stats
        books.forEach(book -> stats.addValue(book.getPrice()));
    }
}
Cleaning Data in Java

Ukázkový výstup: cenové rozpětí

System.out.printf("Books analyzed: %d%n", books.size());

Books analyzed: 3

System.out.printf("Average price: $%.2f%n", stats.getMean());

Average price: $36.20

System.out.printf("Price range: $%.2f - $%.2f%n", stats.getMin(), stats.getMax());

Price range: $30.61 - $40.00
Cleaning Data in Java

Výpočet percentilů

public class BookSalesExample {
    public static void main(String[] args) {
        // 50th percentile = median
        System.out.printf("Median price: $%.2f%n", stats.getPercentile(50));

        System.out.printf("Normal range: $%.2f - $%.2f%n",
                stats.getPercentile(25), stats.getPercentile(75));
    }
}

Median price: $38.00

Normal range: $30.61 - $40.00
Cleaning Data in Java

Statistiky jako kontrola kvality

  • Metody DescriptiveStatistics
    • .getMean(): průměrná cena
    • .getMin(), .getMax(): cenové rozpětí
    • .getPercentile(): typické ceny
  • Identifikace problémů pomocí cenových rozpětí
  • Výhody
    • Rychlé odhalení problémů
    • Škáluje na velké datové sady
    • Nahrazuje ruční kontrolu

Hromada knih

Cleaning Data in Java

Pojďme si procvičit!

Cleaning Data in Java

Preparing Video For Download...