Nur für Mitglieder

Bisher hast du in diesem Kurs verschiedene Probleme kennengelernt, auf die du bei unsauberen Daten stoßen kannst, z. B. Datentyp-, Bereichs-, Eindeutigkeits- und Zugehörigkeitsbeschränkungen. Es ist wichtig, die Art des Problems richtig zu erkennen, damit du es richtig behandeln kannst. In dieser Übung wirst du üben, diese Probleme zu identifizieren, indem du schmutzige Datenszenarien ihrem Constraint-Typ zuordnest.

Diese Übung ist Teil des Kurses

Daten in R bereinigen

Kurs anzeigen

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Übung starten

Diese Übung ist Teil des Kurses

Daten in R bereinigen

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

460 reviews

Kurs kostenlos starten

In diesem Kapitel erfährst du, wie du einige der häufigsten Probleme mit schmutzigen Daten lösen kannst. Du konvertierst Datentypen, wendest Bereichsbeschränkungen an, um zukünftige Datenpunkte zu entfernen, und entfernst doppelte Datenpunkte, um Doppelzählungen zu vermeiden.

Exercise 1: Datentyp-Beschränkungen Exercise 2: Gemeinsame Datentypen Exercise 3: Datentypen umwandeln Exercise 4: Schnüre trimmen Exercise 5: Bereichseinschränkungen Exercise 6: Einschränkungen bei der Fahrtdauer Exercise 7: Zurück in die Zukunft Exercise 8: Einzigartigkeitsbeschränkungen Exercise 9: Vollständige Duplikate Exercise 10: Entfernen von teilweisen Duplikaten Exercise 11: Teilweise Duplikate zusammenfassen

Kategoriale und Textdaten gehören oft zu den unübersichtlichsten Teilen eines Datensatzes, weil sie unstrukturiert sind. In diesem Kapitel erfährst du, wie du Unstimmigkeiten bei Leerzeichen und Großschreibung in Kategoriebeschriftungen behebst, mehrere Kategorien zu einer zusammenfasst und Zeichenketten neu formatierst, um die Konsistenz zu gewährleisten.

Exercise 1: Überprüfung der Mitgliedschaft Exercise 2: Nur für Mitglieder

Aktuelle Übung

Exercise 3: Kein Mitglied Exercise 4: Probleme mit kategorischen Daten Exercise 5: Erkennen von Unstimmigkeiten Exercise 6: Korrektur von Unstimmigkeiten Exercise 7: Zusammenfallende Kategorien Exercise 8: Textdaten bereinigen Exercise 9: Erkennen von inkonsistenten Textdaten Exercise 10: Auswechseln und Entfernen Exercise 11: Ungültige Telefonnummern

In diesem Kapitel beschäftigst du dich mit fortgeschrittenen Datenbereinigungsproblemen, z. B. mit der Sicherstellung, dass alle Gewichte in Kilogramm statt in Pfund angegeben werden. Du erwirbst außerdem unschätzbare Fähigkeiten, mit denen du überprüfen kannst, ob die Werte korrekt hinzugefügt wurden und ob fehlende Werte deine Analysen nicht negativ beeinflussen.

Exercise 1: Einheitlichkeit Exercise 2: Datum Einheitlichkeit Exercise 3: Einheitlichkeit der Währung Exercise 4: Feldübergreifende Validierung Exercise 5: Summen validieren Exercise 6: Alter validieren Exercise 7: Vollständigkeit Exercise 8: Arten von Vermissen Exercise 9: Visualisierung fehlender Daten Exercise 10: Umgang mit fehlenden Daten

Die Datensatzverknüpfung ist eine leistungsstarke Technik, mit der mehrere Datensätze zusammengeführt werden können, wenn die Werte Tippfehler oder unterschiedliche Schreibweisen aufweisen. In diesem Kapitel lernst du, wie du Datensätze miteinander verknüpfst, indem du die Ähnlichkeit zwischen Zeichenketten berechnest - und dann deine neuen Kenntnisse einsetzt, um zwei Restaurantbewertungsdatensätze zu einem einzigen, sauberen Masterdatensatz zu verbinden.

Exercise 1: Zeichenketten vergleichen Exercise 2: Entfernung berechnen Exercise 3: Kleiner Abstand, kleiner Unterschied Exercise 4: Tippfehler mit String-Abstand korrigieren Exercise 5: Paare generieren und vergleichen Exercise 6: Verlinken oder mitmachen?Exercise 7: Blockieren von Paaren Exercise 8: Paare vergleichen Exercise 9: Punktevergabe und Verlinkung Exercise 10: Erst punkten, dann auswählen oder erst auswählen, dann punkten?Exercise 11: Zusammenstellen Exercise 12: Herzlichen Glückwunsch!