Analiza EDA i imputacja – studium przypadku

Funkcje i procedury składowane w SQL Server

Meghan Kwartler

IT Consultant

Problem biznesowy – przejazdy taksówką

Europejska firma private equity poszukuje możliwości inwestycyjnych w sektorze transportu w USA.
Jaki jest średni koszt przejazdu za dystans, liczba przejazdów i łączny czas przejazdów dla każdej dzielnicy Nowego Jorku w poszczególne dni tygodnia?
Które miejsca odbioru w danej dzielnicy powinny być przypisane do poszczególnych zmian kierowców?

Zdjęcie żółtej taksówki

Podstawowa analiza EDA

Rozproszone zbiory danych transakcyjnych mogą zawierać niemożliwe scenariusze spowodowane błędami kalibracji podczas zbierania danych
- Daty w przyszłości
- Data końcowa wcześniejsza niż data początkowa

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

Imputacja danych

Błąd dzielenia przez zero przy obliczaniu średniej taryfy/dystansu przejazdu
EDA ujawnia setki rekordów TaxiRide z dystansem przejazdu = 0
Metody imputacji danych do zastosowania
- Średnia
- Hot Deck
- Pominięcie

Imputacja średnią

Brakująca wartość zastępowana średnią
Nie zmienia wartości średniej
Zwiększa korelacje z innymi kolumnami

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;

Imputacja Hot Deck

Brakująca wartość zastępowana losowo wybraną wartością
Klauzula TABLESAMPLE w klauzuli 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        |
+-----------+-------------|

Czas na ćwiczenia!

Funkcje i procedury składowane w SQL Server