To begin the course, you will learn why cleaning data is important. You will solve simple problems such as leading and trailing spaces in strings, unifying formats for flight registrations, combining strings and more. 

Introduction to Cleaning Data

Unifying flight formats I

Unifying flight formats II

Cleaning messy strings

Trimming strings I

Trimming strings II

Unifying strings

Comparing the similarity between strings

SOUNDEX() and DIFFERENCE()

Comparing names with SOUNDEX()

Comparing names with DIFFERENCE()

Starting with Cleaning Data

In this chapter, you will deepen your data cleaning knowledge. You will learn how to deal with missing data,  avoid duplicate data in your datasets, and work with different formats of dates.

Dealing with missing data

Removing missing values

Removing blank spaces

Filling missing values using ISNULL()

Filling missing values using COALESCE()

Avoiding duplicate data

Diagnosing duplicates

Treating duplicates

Dealing with different date formats

Using CONVERT()

Using FORMAT()

CONVERT() vs FORMAT()

Dealing with missing data, duplicate data, and different date formats

In this chapter, you will deal with out of range values and inaccurate data. You will also practice converting data with different types. Finally, you will work on matching patterns to your data to find outliers.

Waarden buiten bereik en onnauwkeurige gegevens

Waarden buiten bereik of onnauwkeurige gegevens?

Waarden buiten het bereik detecteren

Waarden buiten het bereik uitsluiten

Onnauwkeurige gegevens opsporen en uitsluiten

Gegevens met verschillende types converteren

CAST() en CONVERT() gebruiken

De serie met de meeste afleveringen

Patroonherkenning

Tekens om patronen te specificeren

URL's matchen

Telefoonnummers controleren

Dealing with out of range values, different data types, and pattern matching

In this final chapter,  you will learn how to combine and aggregate data of some columns into one, split data of one column into more columns,  and transform rows into columns and vice versa.

Combining data of some columns into one column

Combining cities and states using +

Concatenating cities and states

Working with DATEFROMPARTS()

Splitting data of one column into more columns

Using SUBSTRING() and CHARINDEX()

Using RIGHT() , LEFT() and REVERSE()

SUBSTRING() or CHARINDEX()?

Transforming rows into columns and vice versa

PIVOT or UNPIVOT?

Turning rows into columns

Turning columns into rows

Congratulations!

Combining, splitting, and transforming data

Flight statistics dataset and series ratings dataset

Wist je dat data scientists en data-analisten veel tijd besteden aan het opschonen van data voordat ze kunnen analyseren? Dat komt doordat data in de praktijk vaak rommelig is. In deze cursus leer je daarom hoe je data opschoont die is opgeslagen in een SQL Server-database. Je leert veelvoorkomende problemen oplossen, zoals het opschonen van onoverzichtelijke strings, omgaan met lege waarden, de gelijkenis tussen strings vergelijken, en veel meer. Je gaat hiermee hands-on aan de slag met een breed scala aan interessante en rommelige gegevenssets, waaronder maandelijkse vliegbewegingen per luchthaven, tv-series en papierwinkelsales. Ben je klaar om je handen vuil te maken?

Intermediate SQL Server

Ontwikkel de vaardigheden om snel en nauwkeurig van ruwe data naar geweldige inzichten te gaan.

Gegevens opschonen in SQL Server-databases

Leer hoe je ruwe data kunt opschonen en omzetten in goede inzichten.

Waarden buiten bereik of onnauwkeurige gegevens?

Gegevens opschonen in SQL Server-databases

Praktische interactieve oefening