Nettoyer les données

Julia intermédiaire

Anthony Markham

Quantitative Developer

Afficher l'information des colonnes

Les noms de colonnes sont le premier élément à vérifier dans un ensemble de données.
En général, ils doivent être lisibles et concis.

println(first(stock_data))

DataFrameRow
 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

Renommer une colonne

On peut renommer une colonne si une autre étiquette est plus appropriée.

 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

Ici, Adj Close contient un espace, à éviter.

rename!(stock_data, Dict(:Adj Close => :Adj_Close))

 Row | Date        Open     High     Low      Close    Adj_Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

Décrire et trouver les données manquantes

Les valeurs manquantes sont une source fréquente d'incohérence.
Les causes possibles :
- erreurs de mesure
- erreurs de transcription
- données manquantes volontairement
La méthode describe permet de repérer rapidement les valeurs manquantes dans un DataFrame.

println(describe(stock_data))

Décrire les valeurs manquantes

describe() donne un aperçu général de tout le DataFrame.

7×7 DataFrame
 Row | variable   mean       min        median     max        nmissing  eltype
     | Symbol     Union     Any          Union     Any        Int64     DataType
<--------------------------------------------------------------------------------
   1 | Date                  1/02/2022             9/12/2022         0  String15
   2 | Open       152.613    126.01     151.19     178.55            0  Float64
   3 | High       154.721    127.77     153.72     179.61            0  Float64
   4 | Low        150.529    124.17     149.34     176.7             0  Float64
   5 | Close      152.698    125.02     151.21     178.96            4  Union
   6 | Adj_Close  152.296    125.02     151.07     178.154           0  Float64
   7 | Volume     8.70851e7  35195900   8.22912e7  182602000         0  Int64

Retirer les données manquantes

On peut supprimer les lignes manquantes avec dropmissing.

println(nrow(stock_data))

dropmissing!(stock_data, :"Close")

Vérifions que 4 lignes ont été supprimées avec nrow() de nouveau.

println(nrow(stock_data))

Remplacer les données manquantes

Supprimer simplement les lignes avec des valeurs manquantes est souvent inadéquat.
Selon les données, on peut les remplacer par une valeur de substitution.

replace!(stock_data[!, "Close"], missing => 130)
println(stock_data[[202, 227, 235, 240], :])

 Row | Date        Open     High     Low      Close     Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64?  Float64    Int64
<----|-----------------------------------------------------------------------
   1 | 8/11/2022    140.41   141.43   137.49    130      139.5    89908500
   2 | 14/12/2022   145.35   146.66   141.16    130      143.21   82291200
   3 | 25/12/2022   130.92   132.42   129.64    130      131.86   63814900
   4 | 3/01/2023    130.28   130.9    124.17    130      125.07  112117500

Choisir une valeur arbitraire pour les remplacer est rarement approprié.

Passons à la pratique !

Julia intermédiaire