I det här kapitlet får du en förståelse för olika metoder för datarensning i PostgreSQL-databaser och lär dig värdet av att rensa data så tidigt som möjligt i processen. Du lär dig grundläggande stränghantering, till exempel att ta bort onödiga mellanslag, men också mer avancerade tekniker som mönstermatchning och stränglikhet för att identifiera strängar som behöver rensas.

Introduktion till datarensning

Att utveckla ett datarensningsperspektiv

Använda funktioner för strängrensning

Mönstermatchning

Klassificera parkeringsöverträdelser efter tid på dygnet

Maskera identifierande information med reguljära uttryck

Matcha liknande strängar

Matcha inkonsekventa färgnamn

Standardisera färgnamn

Standardisera flera färger

Formatera text för kollegor

Grunderna i datarensning

Du lär dig att skriva frågor för att hantera vanliga problem med saknade, duplicerade och ogiltiga data i PostgreSQL-databastabeller. Genom praktiska övningar använder du funktionen COALESCE(), SELECT-frågor och WHERE-satsen för att rensa röriga data.

Hantera saknade data

Kvantifiera fullständighet

Använda ett ersättningsvärde

Analysera ofullständiga poster

Hantera duplicerad data

Duplicerade parkeringsböter

Lösa partiella dubbletter

Identifiera ogiltiga värden

Identifiera ogiltiga värden med reguljära uttryck

Identifiera fordonsmodellår utanför giltigt intervall

Identifiera inkonsekvent data

Identifiera ogiltiga parkeringsöverträdelser

Ogiltiga överträdelser med nattliga parkeringsrestriktioner

Återställa raderad data

Saknade, duplicerade och ogiltiga data

Ibland behöver du konvertera data i en PostgreSQL-databas från en datatyp till en annan. I det här kapitlet utforskar du de uttryck du behöver för att konvertera text till numeriska typer och hur du formaterar strängar för temporala data.

Datatypkonverteringar

Typkonvertering med en CASE-sats

Använda aggregatfunktioner på konverterade värden

Datumtolkning och -formatering

Rensa ogiltiga datum

Konvertera och visa datum

Parsning och formatering av tidsstämplar

Extrahera timmar från ett tidsvärde

En rapport om parkeringsböter per dag i månaden

Riskbeteende vid parkering

Konvertering av data

I det sista kapitlet lär du dig att transformera data och skapa pivottabeller. Med verkliga postdata får du öva på att kombinera och dela upp adresser i stad, delstat och postnummer med hjälp av kraftfulla funktioner som CONCAT(), SUBSTRING() och REGEXP_SPLIT_TO_TABLE().

Kombinera kolumner

Räkna parkeringsöverträdelser vid gathörn

Skapa en TIMESTAMP med konkatenering

Dela upp kolumndata

Extrahera tidsenheter med SUBSTRING()

Extrahera husnummer från en sträng

Dela upp data med avgränsare

Dela upp husnummer med en avgränsare

Kartlägg parkeringsrestriktioner

Skapa pivottabeller

Välja data för en pivottabell

Skapa en pivottabell med FILTER

Aggregera filmkategorier

Kursavslutning

Transformering av data

Parking violations in NYC

Restaurant inspections in NYC

Film permits in NYC

Om du frågade ett stort antal datavetare och dataanalytiker vilka uppgifter som är vanligast i deras arbetsdag, skulle datarensning sannolikt dyka upp i nästan alla svar. Det beror på att verkliga data är röriga. I den här kursen lär du dig att rensa data i en PostgreSQL-databas. Du får lära dig att lösa vanliga problem – som att städa upp röriga strängar, hantera tomma värden och jämföra likhet mellan strängar. Du övar på dessa uppgifter med intressanta (men röriga) datamängder från New York Citys program för öppna data. Är du redo att få ordning på dina data?

Data Manipulation in SQL

Lär dig hantera din råa, röriga data i en PostgreSQL-databas för att få exakta insikter.

Datarensning i PostgreSQL-databaser

Lär dig att tämja dina råa, röriga data som lagras i en PostgreSQL-databas för att få fram korrekta insikter.

Matcha liknande strängar

Create Your Free Account