Felicitări!

Curățarea datelor în Java

Dennis Lee

Software Engineer

Parcurs prin curățarea datelor

// From assessing quality
DescriptiveStatistics stats = new DescriptiveStatistics(values);
System.out.println("Mean: " + stats.getMean());


// To transforming strings
String clean = text.trim().toLowerCase();


// To validating ranges
boolean isValid = Range.between(0, 100).contains(value);


// To cleaning tables
Table cleaned = data.where(sales.isGreaterThan(1000));

Evaluarea calității datelor

Datele slabe duc la decizii slabe
Evaluați calitatea: verificați valorile aberante, lipsă și tipurile incorecte

// Check statistics
double mean = stats.getMean();


// Detect nulls
boolean isMissing = Optional.ofNullable(value).isEmpty();


// Verify types
boolean isValidDate = LocalDate.parse(dateStr, formatter);

Transformarea consistentă a datelor

Formatele inconsistente împiedică analiza corectă
Curățați șirurile; standardizați categoriile și datele calendaristice

// Normalize strings (e.g., remove non-letters)
String cleaned = dirtyName.replaceAll("[^a-zA-Z\\s]", "");


// Standardize categories
String standard = categoryMap.getOrDefault(value, "Other");


// Convert dates
LocalDateTime datetime = LocalDateTime.parse(dateStr, formatter);

Validarea integrității datelor

Preveniți datele eronate înainte de a intra în sistem
Verificați intervalele și formatele conform regulilor de business

// Check ranges
boolean inRange = Range.between(min, max).contains(value);


// Validate patterns
boolean matches = Pattern.matches(pattern, text);


// Enforce constraints
Set<ConstraintViolation<Data>> violations = validator.validate(data);

Curățarea datelor tabulare

for (String colName : data.columnNames()) {
    // Check missing values 
    System.out.println(data.column(colName).countMissing());
}


StringColumn cleaned = names.map(String::toLowerCase)   // Clean text
        .setName("Clean_Names");                        // Name new column


Table summary = data
        .where(sales.isGreaterThan(1000))               // Filter rows
        .summarize("Sales", mean)                       // Aggregate data
        .by("Category");                                // Group results

Resurse

Articol: Regular Expressions Cheat Sheet
Curs: Optimizing Code in Java
Curs: Introduction to Testing in Java

sigla datacamp.png

Pregătit pentru curățare

Curățarea datelor în Java