Fallstudie: EDA & imputering

Skriva funktioner och lagrade procedurer i SQL Server

Meghan Kwartler

IT Consultant

Affärsproblem inom taxibranschen

Ett europeiskt riskkapitalbolag söker investeringsmöjligheter inom transportsektorn i USA.
Vad är det genomsnittliga priset per sträcka, antal resor och total restid för varje stadsdel i NYC per veckodag?
Vilka upphämtningsplatser i respektive stadsdel ska schemaläggas för varje förarskift?

Foto på gul taxi

Grundläggande EDA

Distribuerade transaktionsdatamängder kan innehålla omöjliga scenarion till följd av kalibreringsproblem vid datainsamling
- Datum i framtiden
- Slutdatum före startdatum

SELECT * 
FROM CapitalBikeShare 
WHERE 
  StartDate > GetDate() 
  OR EndDate > GetDate() 
  OR StartDate > EndDate

Dataimputering

Division med noll vid beräkning av genomsnittspris per körsträcka
EDA avslöjar hundratals TaxiRide-poster med körsträcka = 0
Imputeringsmetoder för att åtgärda problemet
- Medelvärde
- Hot Deck
- Utelämning

Medelvärdesimputering

Ersätt saknat värde med medelvärdet
Påverkar inte medelvärdet
Ökar korrelationer med andra kolumner

CREATE PROCEDURE dbo.ImputeDurMean 
AS
BEGIN
DECLARE @AvgTripDuration AS float

SELECT @AvgTripDuration = AVG(Duration) 
FROM CapitalBikeShare
WHERE Duration > 0

UPDATE CapitalBikeShare
SET Duration =  @AvgTripDuration
WHERE Duration = 0
END;

Hot Deck-imputering

Saknat värde ersätts med ett slumpmässigt valt värde
TABLESAMPLE-klausul i FROM-klausulen

CREATE FUNCTION dbo.GetDurHotDeck()
RETURNS decimal (18,4)
AS BEGIN
RETURN (SELECT TOP 1 Duration
FROM CapitalBikeShare
TABLESAMPLE (1000 rows)
WHERE Duration >0)
END

SELECT 
  StartDate, 
  "TripDuration" = CASE WHEN Duration > 0 THEN Duration 
                        ELSE dbo.GetDurHotDeck() END 
FROM CapitalBikeShare;

SELECT 
  DATENAME(weekday, StartDate) AS DayofWeek, 
  AVG(Duration) AS 'AvgDuration' 
FROM CapitalBikeShare 
WHERE Duration > 0 
GROUP BY DATENAME(weekday, StartDate) 
ORDER BY AVG(Duration) desc

+-----------+-------------+
| DayofWeek | AvgDuration |
|-----------+-------------|
| Saturday  | 1476        |
| Sunday    | 1391        |
| Monday    |  979        |
| Friday    |  957        |
| Thursday  |  956        |
| Wednesday |  807        |
| Tuesday   |  763        |
+-----------+-------------|

Nu kör vi en övning!

Skriva funktioner och lagrade procedurer i SQL Server