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.

Eksik verilerle başa çıkma

Eksik değerleri kaldırma

Boşlukları kaldırma

ISNULL() kullanarak eksik değerleri doldurma

COALESCE() ile eksik değerleri doldurma

Yinelenen verilerden kaçınma

Yinelenenleri teşhis etme

Yinelenenleri ele alma

Farklı tarih formatlarıyla çalışmak

CONVERT() kullanma

FORMAT() kullanımı

CONVERT() ve 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.

Out of range values and inaccurate data

Out of range values or inaccurate data?

Detecting out of range values

Excluding out of range values

Detecting and excluding inaccurate data

Converting data with different types

Using CAST() and CONVERT()

The series with most episodes

Pattern matching

Characters to specify a patterns

Matching urls

Checking phone numbers

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

Veri bilimcilerin ve veri analistlerinin, verileri analiz etmeden önce önemli ölçüde zamanlarını veri temizlemeye ayırdığını biliyor muydun? Bunun nedeni, gerçek dünyadaki verilerin düzensiz olması. Bu kursta, dağınık verilerde yolunu bulmana yardımcı olmak için bir SQL Server veritabanında saklanan verileri nasıl temizleyeceğini öğreneceksin. Dağınık metinleri temizlemek, boş değerlerle başa çıkmak, metinler arasındaki benzerliği karşılaştırmak ve çok daha fazlası gibi yaygın sorunları nasıl çözeceğini keşfedeceksin. Havalimanına göre aylık havayolu uçuşları, TV dizileri ve kırtasiye satışları gibi ilginç ve dağınık veri kümeleriyle tüm bu görevleri bizzat uygulayacaksın. Ellerin kirlenmeye hazır mı?

Intermediate SQL Server

Ham verilerden hızlı ve doğru içgörüler elde etmek için gereken becerileri geliştirin.

SQL Server Veritabanlarında Veri Temizleme

Ham verileri temizlemek ve bunları doğru içgörülere dönüştürmek için ihtiyacınız olan becerileri geliştirin.

CONVERT() ve FORMAT()

SQL Server Veritabanlarında Veri Temizleme

Uygulamalı etkileşimli egzersiz