Standardizarea categoriilor

Curățarea datelor în Java

Dennis Lee

Software Engineer

De ce se standardizează categoriile?

  • Nume de categorii inconsistente: datele nu pot fi grupate
  • Moduri diferite de a scrie „Fruits & Vegetables"
  • Soluție: standardizarea categoriilor

 

 

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Curățarea datelor în Java

Pașii standardizării

  1. Definirea categoriilor standard
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Maparea variațiilor la categorii standard
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Efectuarea analizei – ex., numărarea categoriilor de tip FRUITS_AND_VEGETABLES
Curățarea datelor în Java

Definirea categoriilor standard cu enum

// Define standard categories
public enum ProductCategory {
    FRUITS_AND_VEGETABLES,
    DAIRY,
    UNCATEGORIZED;
}

// Example category
System.out.println(ProductCategory.FRUITS_AND_VEGETABLES);

FRUITS_AND_VEGETABLES
Curățarea datelor în Java

Maparea categoriilor brute la categorii standard

import java.util.HashMap;
import java.util.Map;

// Define map of raw category variations to standard categories
Map<String, ProductCategory> rawCategories = new HashMap<>();
// Variation 1: Fruits & Vegetables
rawCategories.put("Fruits & Vegetables", ProductCategory.FRUITS_AND_VEGETABLES);
// Variation 2: fruits & veg
rawCategories.put("fruits & veg", ProductCategory.FRUITS_AND_VEGETABLES);
// Variation 3: Fruits&Veg
rawCategories.put("Fruits&Veg", ProductCategory.FRUITS_AND_VEGETABLES);
Curățarea datelor în Java

Maparea variațiilor la categorii standard: rezultate

System.out.println(rawCategories.get("fruits & veg")); // Get standard category

FRUITS_AND_VEGETABLES

 

rawCategories: doar pentru vizualizare; coloanele reprezintă perechile cheie-valoare din Map

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Curățarea datelor în Java

Gestionarea categoriilor necunoscute

String unknownCategory = "Mystery Category";

// Return UNCATEGORIZED if category not found in rawCategories
ProductCategory category = rawCategories.getOrDefault(
        unknownCategory, ProductCategory.UNCATEGORIZED);

System.out.println("Unknown: " + category);

Mystery Category: UNCATEGORIZED
Raw Category Standard Category
Mystery Category UNCATEGORIZED
Curățarea datelor în Java

Randarea mapării imutabilă

import java.util.Collections;

Map<String, ProductCategory> categories =
        Collections.unmodifiableMap(rawCategories); // Create immutable view


try {
    categories.put("new", ProductCategory.DAIRY); // Will throw exception
} catch (UnsupportedOperationException e) {
    System.out.println("Cannot modify immutable map");
}

Cannot modify immutable map
Curățarea datelor în Java

Extragerea categoriilor din set de date

// Extract category and quantity from our grocery inventory dataset
Map<String, Integer> rawData = 
        Map.of("Fruits & Vegetables", 10, 
               "fruits & veg", 20,
               "Fruits&Veg", 30);

rawData: Mapare extrasă din setul de date privind inventarul de produse alimentare

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Curățarea datelor în Java

Identificarea categoriei standard

Map<ProductCategory, Integer> stockByCategory =
        new EnumMap<ProductCategory, Integer>(ProductCategory.class);

rawData.forEach((raw, quantity) -> 
        // Lookup standard category in categories and sum quantities
        stockByCategory.merge(categories.get(raw), quantity, Integer::sum));

categories: Mapare folosită pentru identificarea categoriei standard

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Curățarea datelor în Java

Sumă pe categorie standard

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: Mapare după căutarea rawData în categoryMap

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Curățarea datelor în Java

Grupare după categorie standard: rezumat

1) Extragerea mapării rawData categorie/cantitate din setul de date (fragment de mai jos)

Raw Category Quantity
Fruits & Vegetables 10

2) Crearea categories pentru identificarea categoriilor standard (fragment de mai jos)

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Calcularea stockByCategory prin căutarea rawData în categories (fragment de mai jos)

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Curățarea datelor în Java

Sinteza conceptelor

Import-uri cheie

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Crearea unui enum pentru categorii standard
  • Construirea unei mapări cu HashMap
  • Randarea imutabilă cu Collections.unmodifiableMap
  • Gestionarea categoriilor necunoscute cu .getOrDefault()
  • Grupare după categorii standardizate cu .merge()
Curățarea datelor în Java

Să exersăm!

Curățarea datelor în Java

Preparing Video For Download...