Datarensning och transformation

Fallstudie: Finansiell analys i KNIME

Andrew Logan

Data Scientist, 4&8 Ltd

Håll dig till planen

• Ren, användbar och konsekvent data
• Rensning: saknade värden, deduplicering, borttagning av onödiga rader och kolumner m.m.
• Transformation: strängmanipulation, numeriska beräkningar, namnbyte på kolumner m.m.

Skinande rent

• Vanligaste noderna: Missing Value, Duplicate Row Filter, Column Filter, String Cleaner
• Annotera!

Skinande rent

• Vanligaste noderna: Missing Value, Duplicate Row Filter, Column Filter, String Cleaner
• Annotera!
• Många andra: använd KNIME-forumet – https://forum.knime.com/ – eller sökmotor för specialfall

Gör användbara ändringar

• Omvandla data till något användbart
• Strängmanipulation

Gör användbara ändringar

• Omvandla data till något användbart
• Strängmanipulation
• Numeriska beräkningar

Gör användbara ändringar

• Omvandla data till något användbart
• Strängmanipulation
• Numeriska beräkningar
• Fler transformationsnoder
• Annoteringar!

Lättare att förstå och återanvända

• Metanoder – städerna på kartan.

Lättare att förstå och återanvända

• Metanoder – städerna på kartan.
• Många noder i en

Lättare att förstå och återanvända

• Metanoder – städerna på kartan.
• Många noder i en
• Sparar tid
• Lätta att förstå
• Lätta att annotera

Nu kör vi en övning!

Fallstudie: Finansiell analys i KNIME