Czyszczenie i transformacja danych

Studium przypadku: Analiza finansowa w KNIME

Andrew Logan

Data Scientist, 4&8 Ltd

Trzymając się planu

• Czyste, użyteczne i spójne dane
• Czyszczenie: brakujące wartości, deduplikacja, usuwanie zbędnych wierszy i kolumn itp.
• Transformacja: manipulowanie ciągami, obliczenia numeryczne, zmiana nazw kolumn itp.

Nieskazitelnie czyste

• Najczęstsze węzły: Missing Value, Duplicate Row Filter, Column Filter, String Cleaner
• Dodawaj adnotacje!

Nieskazitelnie czyste

• Najczęstsze węzły: Missing Value, Duplicate Row Filter, Column Filter, String Cleaner
• Dodawaj adnotacje!
• Inne przypadki: forum KNIME – https://forum.knime.com/ lub wyszukiwarka

Użyteczne przekształcenia

• Manipulowanie danymi w celu ich wykorzystania
• Manipulowanie ciągami znaków

Użyteczne przekształcenia

• Manipulowanie danymi w celu ich wykorzystania
• Manipulowanie ciągami znaków
• Obliczenia numeryczne

Użyteczne przekształcenia

• Manipulowanie danymi w celu ich wykorzystania
• Manipulowanie ciągami znaków
• Obliczenia numeryczne
• Inne węzły transformacji
• Adnotacje!

Łatwiejsze rozumienie i ponowne użycie

• Metawęzły – miasta na mapie.

Łatwiejsze rozumienie i ponowne użycie

• Metawęzły – miasta na mapie.
• Wiele węzłów w jednym

Łatwiejsze rozumienie i ponowne użycie

• Metawęzły – miasta na mapie.
• Wiele węzłów w jednym
• Oszczędność czasu
• Łatwe do zrozumienia
• Łatwe do opisania

Czas na ćwiczenia!

Studium przypadku: Analiza finansowa w KNIME