Případová studie EDA a imputace

Psaní funkcí a uložených procedur v SQL Serveru

Meghan Kwartler

IT Consultant

Obchodní problém taxislužby

Evropský fond soukromého kapitálu hledá investiční příležitosti v americké dopravě.
Jaký je průměrný tarif na vzdálenost, počet jízd a celková doba jízd pro každou čtvrť NYC v každý den týdne?
Která místa pro nastupování v dané čtvrti mají být přiřazena jednotlivým směnám řidičů?

Fotografie žlutého taxíku

Základní EDA

Distribuované transakční datové sady mohou obsahovat nemožné scénáře kvůli problémům s kalibrací sběru dat
- Data v budoucnosti
- Datum ukončení před datem zahájení

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

Imputace dat

Chyba dělení nulou při výpočtu průměrného tarifu/vzdálenosti jízdy
EDA odhalila stovky záznamů jízd TaxiRide s vzdáleností = 0
Metody imputace dat pro řešení
- Průměr
- Hot Deck
- Vynechání

Imputace průměrem

Nahrazení chybějící hodnoty průměrem
Nemění průměrnou hodnotu
Zvyšuje korelace s ostatními sloupci

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;

Imputace metodou Hot Deck

Chybějící hodnota nahrazena náhodně vybranou hodnotou
Klauzule TABLESAMPLE ve větvi 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        |
+-----------+-------------|

Vyzkoušejte si to!

Psaní funkcí a uložených procedur v SQL Serveru