V této kapitole se naučíš, jak překonat nejčastější problémy s nekvalitními daty. Převedeš datové typy, aplikuješ rozsahová omezení pro odstranění budoucích datových bodů a odstraníš duplicitní záznamy, abys předešl/a dvojímu počítání.

Omezení datových typů

Běžné datové typy

Převod datových typů

Ořezávání řetězců

Omezení rozsahu

Omezení délky výpůjčky

Zpět do budoucnosti

Omezení jedinečnosti

Plné duplicity

Odstraňování částečných duplikátů

Agregace částečných duplikátů

Běžné problémy s daty

Kategorická a textová data bývají díky své nestrukturované povaze jednou z nejsložitějších částí datové sady. V této kapitole se naučíš opravovat nekonzistence v mezerách a velikosti písmen u kategorizačních štítků, slučovat více kategorií do jedné a přeformátovávat řetězce pro zachování konzistence.

Ověření příslušnosti

Jen pro členy

Neplatný člen

Problémy s kategoriálními daty

Odhalování nekonzistencí

Oprava nekonzistencí

Slučování kategorií

Čištění textových dat

Odhalování nekonzistentních textových dat

Nahrazování a odstraňování

Neplatná telefonní čísla

Kategorická a textová data

V této kapitole se ponoříš do pokročilejších problémů s čištěním dat – například jak zajistit, aby byly váhy uváděny v kilogramech místo v librách. Získáš také cenné dovednosti, které ti pomohou ověřit, zda byly hodnoty správně zadány, a zajistit, aby chybějící hodnoty negativně neovlivňovaly tvé analýzy.

Jednotnost

Jednotnost datumů

Jednotnost měn

Křížová validace polí

Ověřování součtů

Ověření věku účtu

Úplnost dat

Možnosti

Chybějící zcela náhodně

Chybějící náhodně

Chybějící nenáhodně

Typy chybějících dat

Vizualizace chybějících dat

Práce s chybějícími daty

Pokročilé problémy s daty

Record linkage je výkonná technika pro slučování více datových sad, která se používá tehdy, když hodnoty obsahují překlepy nebo různé varianty zápisu. V této kapitole se naučíš propojovat záznamy výpočtem podobnosti mezi řetězci – a své nové dovednosti pak využiješ ke spojení dvou datových sad s recenzemi restaurací do jedné čisté výsledné sady.

Porovnávání řetězců

Výpočet vzdálenosti

Malá vzdálenost, malý rozdíl

Oprava překlepů pomocí vzdálenosti řetězců

Generování a porovnávání párů

Record linkage, nebo join?

Párové blokování

Porovnávání párů

Skórování a propojování záznamů

Nejdřív skórovat, nebo vybírat?

Dáme to dohromady

Gratulujeme!

Record Linkage

Bike Sharing

Fodor's

Zagat

SFO Satisfaction Survey

Customer Accounts

<h2>Zvládni běžné problémy s daty, jako je odstraňování duplicit v R</h2>
Často se říká, že datoví vědci tráví 80 % svého času čištěním a úpravou dat a jen 20 % jejich analýzou. Čas věnovaný čištění je klíčový – analýza nekvalitních dat totiž může vést k nepřesným závěrům.
<br><br>
V tomto kurzu se naučíš různé techniky čištění dat v R. Začneš převodem datových typů, aplikací rozsahových omezení a odstraňováním úplných i částečných duplicit, abys předešl/a dvojímu počítání.
<br><br>
<h2>Ponořte se do pokročilých problémů s daty</h2>
Jakmile si procvičíš práci s běžnými datovými problémy, přejdeš k pokročilejším výzvám – například jak zajistit konzistenci měření nebo jak pracovat s chybějícími hodnotami. Po každém novém konceptu budeš mít příležitost dokončit praktické cvičení, které ti pomůže upevnit znalosti a získat zkušenosti.
<br><br>
<h2>Nauč se využívat Record Linkage při čištění dat</h2>
Record Linkage se používá ke slučování datových sad, jejichž hodnoty obsahují překlepy nebo různé varianty zápisu. Tuto užitečnou techniku prozkoumáš v závěrečné kapitole a procvičíš si ji na propojení dvou datových sad s recenzemi restaurací do jedné výsledné sady.

<h2>Překonejte běžné datové problémy, jako je odstraňování duplicit v R </h2>
Běžně se říká, že datoví vědci tráví 80 % svého času čištěním a úpravou dat a jen 20 % času jejich analýzou. Čas strávený čištěním je zásadní, protože analýza nečistých dat vás může dovést k nepřesným závěrům.
<br><br>
V tomto kurzu se naučíš řadu technik, které ti pomohou čistit nečistá data pomocí R. Začneš převodem datových typů, uplatňováním omezení rozsahu a prací s úplnými i částečnými duplikáty, abys předešel dvojímu započítávání.
<br><br>
<h2>Ponořte se do pokročilých datových výzev </h2>
Jakmile si procvičíte práci s běžnými datovými problémy, přejdete k pokročilejším výzvám, jako je zajištění konzistence v měřeních a práce s chybějícími daty. Po každém novém konceptu budeš mít možnost dokončit praktické cvičení, které upevní tvoje znalosti a pomůže ti získat zkušenosti.
<br><br>
<h2>Naučte se používat propojení záznamů při čištění dat </h2>
Propojování záznamů se používá ke spojování datových sad, když mají hodnoty problémy, jako jsou překlepy nebo odlišné zápisy. Tuto užitečnou techniku prozkoumáte v závěrečné kapitole a její použití si procvičíte tím, že ji využijete ke spojení dvou datových sad s recenzemi restaurací do jedné datové sady.

Joining Data with dplyr

Naučte se rychle a přesně čistit data, abyste získali skvělé poznatky pro své podnikání.

Čištění dat v R

Naučte se čistit data co nejrychleji a nejpřesněji, abyste přešli od surových dat k skvělým poznatkům.

Asociovaný datový vědec v R

Import dat a čištění dat  v R

Dotazníky se náhodně ztratily při doručování poštou.

Výsledky testů chybí u studentů z určitého školního obvodu, u ostatních nikoli.

Mladší lidé si méně často nechávali měřit krevní tlak u lékaře, takže v jejich zdravotních záznamech tato hodnota chybí.

Váha má limit 30 liber, takže zásilky nad tuto hranici nemají zaznamenánou váhu.

Vzorky krve testované v noční směně byly náchylnější ke kontaminaci, což způsobilo chybějící výsledky – čas testování ale nebyl zaznamenán.

Typy chybějících dat

Čištění dat v R

Interaktivní praktické cvičení