Pelajari teknik penting untuk menilai kualitas data dalam aplikasi Java. Temukan cara menggunakan statistik deskriptif untuk mengidentifikasi pencilan, mendeteksi dan menangani nilai yang hilang secara tepat, serta memvalidasi tipe data untuk mencegah kesalahan. Kuasai alat kunci seperti DescriptiveStatistics untuk analisis numerik, Optional untuk penanganan null, dan DateTimeFormatter untuk validasi tanggal.

Statistik data

Menghitung mean, min, max

Menghitung persentil

Deteksi null

Mendeteksi nilai yang hilang

Mendeteksi string yang hilang

Verifikasi tipe data

Mengurai teks menjadi tanggal dan angka

Membaca file CSV dengan aman

Menilai Kualitas Data

Kuasai teknik transformasi data untuk aplikasi Java yang andal. Pelajari menormalkan string menggunakan regular expression untuk pencocokan teks yang konsisten, menstandarkan kategori dengan EnumMap dan HashMap untuk tabel pencarian yang tangguh, serta menangani format tanggal menggunakan API waktu Java dengan LocalDate dan ZoneId untuk penanganan tanggal yang konsisten lintas zona waktu.

Normalisasi string

Ekspresi reguler

Membersihkan string

Standardisasi kategorikal

Membangun pemetaan kategori

Mengelompokkan berdasarkan kategori terstandarisasi

Standarisasi tanggal

Standardisasi tanggal

Mengonversi zona waktu

Mengekstrak bulan dan tahun dari tanggal

Mentransformasikan Data

Pastikan kualitas data melalui teknik validasi. Pelajari menerapkan validasi rentang untuk nilai numerik dan tanggal, kuasai validasi pola menggunakan regular expression untuk memverifikasi format data, serta terapkan validasi batasan untuk menegakkan aturan bisnis.

Validasi rentang

Memvalidasi rentang numerik

Memvalidasi rentang tanggal

Validasi pola

Pencocokan pola penuh

Pencarian pola

Pencocokan karakter

Penerapan kendala

Anotasi pada penjualan video game

Menampilkan pesan validasi

Memvalidasi Data

Ubah data tabel yang berantakan menjadi himpunan data yang bersih dan siap pakai dengan Tablesaw, pustaka Java yang andal. Anda akan menilai kualitas data, menstandarkan isi kolom, dan menerapkan operasi penyaringan untuk menyiapkan data Anda. Pada akhirnya, Anda akan percaya diri mengubah himpunan data mentah menjadi tabel yang siap dianalisis.

Penilaian kualitas data dengan Tablesaw

Menganalisis nilai hilang dan nilai unik

Menganalisis kolom numerik

Pembersihan dan Standardisasi Kolom

Mentransformasi data numerik

Transformasi data teks

Penyaringan kolom dan agregasi

Pemfilteran kolom

Mengagregasi kolom

Selamat!

Membersihkan Data Tabel

grocery_inventory.csv

coffee_sales.csv

Membersihkan data sangat penting untuk menyelesaikan masalah bisnis. Ketika kualitas data menurun, analitik menjadi tidak andal, model Machine Learning memberikan prediksi yang buruk, dan keputusan bisnis melenceng.

Kursus ini membekali Anda dengan alat Java untuk menangani kualitas data secara langsung. Anda akan mempelajari metode statistik untuk menemukan pencilan dan menangani nilai yang hilang, menguasai transformasi data mulai dari standarisasi teks hingga mengelola tanggal lintas zona waktu, serta menerapkan pemeriksaan rentang menggunakan regular expression dan anotasi validasi.

Dengan Tablesaw, Anda akan membersihkan himpunan data tabel dunia nyata dan melakukan transformasi yang menyiapkan data untuk analisis. Di akhir kursus, Anda siap memastikan kualitas data di setiap langkah aplikasi Anda.

Data Types and Exceptions in Java

Pembersihan data master di Java dengan metode statistik, transformasi, dan validasi untuk aplikasi andal.

Pembersihan Data di Java

Membersihkan data master di Java menggunakan metode statistik, transformasi, dan validasi untuk aplikasi yang andal.

Selamat!

Create Your Free Account