データ統計

Java によるデータクリーニング

Dennis Lee

Software Engineer

インストラクター紹介

Dennis Lee

Amazonのソフトウェアエンジニア
テクノロジーおよびオペレーション
電気・コンピューター工学博士号

インストラクターの写真

データ品質の重要性

タイトル	出版日	評価	レビュー数	価格
[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

汚いデータ：売上損失、顧客の混乱、予測の信頼性低下
解決策：データをクリーニングする

コース概要

データ品質の評価

コース概要

データ品質の評価
データの変換

コース概要

データ品質の評価
データの変換
データの検証

コース概要

データ品質の評価
データの変換
データの検証
表形式データのクリーニング

データの構造化

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

タイトル	出版日	評価	レビュー数	価格
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

データセットへのデータ追加

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));

平均・最小・最大の計算

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()));
    }
}

出力例：価格範囲

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

パーセンタイルの計算

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

品質管理としての統計

DescriptiveStatistics のメソッド
- .getMean(): 平均価格
- .getMin(), .getMax(): 価格範囲
- .getPercentile(): 標準的な価格
価格範囲の確認による問題の特定
メリット
- 問題の迅速な検出
- 大規模データセットに対応
- 目視確認の代替

積み重ねられた本

練習しましょう！

Java によるデータクリーニング