Statistici despre date

Curățarea datelor în Java

Dennis Lee

Software Engineer

Cunoașteți instructorul!

 

Dennis Lee

 

  • Inginer software la Amazon
  • Tehnologie și operațiuni
  • Doctor în Inginerie Electrică și Calculatoare

 

Fotografie instructor

Curățarea datelor în Java

De ce contează datele curate

 

Titlu Dată publicare Rating Nr. recenzii Preț
[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

 

  • Date murdare: pierderi de vânzări, confuzie, previziuni nesigure
  • Soluție: curățarea datelor
Curățarea datelor în Java

Structura cursului

  1. Evaluarea calității datelor

 

1_Ch1_L1_.jpg

Curățarea datelor în Java

Structura cursului

  1. Evaluarea calității datelor
  2. Transformarea datelor

 

2_Ch1_L1_.jpg

Curățarea datelor în Java

Structura cursului

  1. Evaluarea calității datelor
  2. Transformarea datelor
  3. Validarea datelor

 

3_Ch1_L1_.jpg

Curățarea datelor în Java

Structura cursului

  1. Evaluarea calității datelor
  2. Transformarea datelor
  3. Validarea datelor
  4. Curățarea datelor tabulare

 

4_Ch1_L1_.jpg

Curățarea datelor în Java

Structurarea datelor

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
Titlu Dată publicare Rating Nr. recenzii Preț
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
Curățarea datelor în Java

Popularea setului de date

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));
Curățarea datelor în Java

Calcularea mediei, minimului și maximului

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()));
    }
}
Curățarea datelor în Java

Exemplu de ieșire: intervalul de prețuri

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
Curățarea datelor în Java

Calcularea percentilelor

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
Curățarea datelor în Java

Statisticile ca instrument de control al calității

  • Metode DescriptiveStatistics
    • .getMean(): prețul mediu
    • .getMin(), .getMax(): intervalul de prețuri
    • .getPercentile(): prețuri tipice
  • Identificarea problemelor prin inspecția intervalelor de prețuri
  • Beneficii
    • Detectare rapidă a problemelor
    • Scalabil pentru seturi mari de date
    • Înlocuiește inspecția manuală

Teanc de cărți

Curățarea datelor în Java

Să exersăm!

Curățarea datelor în Java

Preparing Video For Download...