Výpočet vzdálenosti

Ve videu jsi viděl/a, jak se Damerau-Levenshteinova vzdálenost používá k měření podobnosti dvou řetězců. Připomeňme si: Damerau-Levenshteinova vzdálenost je minimální počet kroků potřebných k přechodu od Řetězce A k Řetězci B pomocí těchto operací:

Vložení nového znaku.
Smazání existujícího znaku.
Substituce existujícího znaku.
Transpozice dvou sousedních existujících znaků.

Jaká je Damerau-Levenshteinova vzdálenost mezi slovy "puffin" a "muffins" a která operace (nebo operace) tě tam dostanou?

Toto cvičení je součástí kurzu

Čištění dat v R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Čištění dat v R

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

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.

Exercise 1: Omezení datových typů Exercise 2: Běžné datové typy Exercise 3: Převod datových typů Exercise 4: Ořezávání řetězců Exercise 5: Omezení rozsahu Exercise 6: Omezení délky výpůjčky Exercise 7: Zpět do budoucnosti Exercise 8: Omezení jedinečnosti Exercise 9: Plné duplicity Exercise 10: Odstraňování částečných duplikátů Exercise 11: Agregace částečných duplikátů

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.

Exercise 1: Ověření příslušnosti Exercise 2: Jen pro členy Exercise 3: Neplatný člen Exercise 4: Problémy s kategoriálními daty Exercise 5: Odhalování nekonzistencí Exercise 6: Oprava nekonzistencí Exercise 7: Slučování kategorií Exercise 8: Čištění textových dat Exercise 9: Odhalování nekonzistentních textových dat Exercise 10: Nahrazování a odstraňování Exercise 11: Neplatná telefonní čísla

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.

Exercise 1: Jednotnost Exercise 2: Jednotnost datumů Exercise 3: Jednotnost měn Exercise 4: Křížová validace polí Exercise 5: Ověřování součtů Exercise 6: Ověření věku účtu Exercise 7: Úplnost dat Exercise 8: Typy chybějících dat Exercise 9: Vizualizace chybějících dat Exercise 10: Práce s chybějícími 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.

Exercise 1: Porovnávání řetězců Exercise 2: Výpočet vzdálenosti

Aktuální cvičení

Exercise 3: Malá vzdálenost, malý rozdíl Exercise 4: Oprava překlepů pomocí vzdálenosti řetězců Exercise 5: Generování a porovnávání párů Exercise 6: Record linkage, nebo join?Exercise 7: Párové blokování Exercise 8: Porovnávání párů Exercise 9: Skórování a propojování záznamů Exercise 10: Nejdřív skórovat, nebo vybírat?Exercise 11: Dáme to dohromady Exercise 12: Gratulujeme!