Kategoristandardisering

Datarensning i Java

Dennis Lee

Software Engineer

Varför standardisera kategorier?

  • Inkonsekventa kategorinamn: går inte att gruppera data
  • Olika sätt att skriva "Fruits & Vegetables"
  • Lösning: standardisera kategorier

 

 

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Datarensning i Java

Steg för standardisering

  1. Definiera standardkategorier
    FRUITS_AND_VEGETABLES
DAIRY
UNCATEGORIZED
  2. Mappa variationer till standardkategorier
    Fruits & Vegetables -> FRUITS_AND_VEGETABLES
fruits & veg -> FRUITS_AND_VEGETABLES
Fruits&Veg -> FRUITS_AND_VEGETABLES
  3. Utför analys – t.ex. räkna kategorier som FRUITS_AND_VEGETABLES
Datarensning i Java

Definiera standardkategorier med enum

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

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

FRUITS_AND_VEGETABLES
Datarensning i Java

Mappa råkategorier till standardkategorier

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);
Datarensning i Java

Mappa variationer till standardkategorier: utdata

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

FRUITS_AND_VEGETABLES

 

rawCategories: endast för visualisering; kolumnerna representerar nyckel-värde-par i Map

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Datarensning i Java

Hantera okända kategorier

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
Datarensning i Java

Göra mappningen oföränderlig

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
Datarensning i Java

Extrahera kategorier från datamängden

// 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: mappning extraherad från vår datamängd för lagerhantering

Raw Category Quantity
Fruits & Vegetables 10
fruits & veg 20
Fruits&Veg 30
Datarensning i Java

Slå upp standardkategori

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: mappning som används för att slå upp standardkategori

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES
fruits & veg FRUITS_AND_VEGETABLES
Fruits&Veg FRUITS_AND_VEGETABLES
Datarensning i Java

Summera per standardkategori

System.out.println(stockByCategory);

{FRUITS_AND_VEGETABLES=60}

 

stockByCategory: mappning efter uppslagning av rawData i categoryMap

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Datarensning i Java

Gruppera efter standardkategori: sammanfattning

1) Extrahera rawData-mappning med kategori/kvantitet från datamängden (utdrag nedan)

Raw Category Quantity
Fruits & Vegetables 10

2) Skapa categories för uppslagning av standardkategorier (utdrag nedan)

Raw Category Standard Category
Fruits & Vegetables FRUITS_AND_VEGETABLES

3) Beräkna stockByCategory genom att slå upp rawData i categories (utdrag nedan)

Standard Category Quantity
FRUITS_AND_VEGETABLES 60
Datarensning i Java

Allt tillsammans

Viktiga importer

import java.util.Map;
import java.util.HashMap;
import java.util.Collections;
  • Skapa ett enum för standardkategorier
  • Bygg en kategorimappning med HashMap
  • Gör en mappning oföränderlig med Collections.unmodifiableMap
  • Hantera okända kategorier med .getOrDefault()
  • Gruppera efter standardiserade kategorier med .merge()
Datarensning i Java

Nu kör vi en övning!

Datarensning i Java

Preparing Video For Download...