Lekce 19 - Čištění dat

V minulé lekci, Nástroje pro čištění dat, jsme se seznámili s nástroji na čištění dat, jako jsou tabulkové editory, OpenRefine nebo SQL.

V dnešním tutoriálu Úvodu do datové analýzy si na jednoduchém datasetu prakticky vyzkoušíme základní techniky čištění dat – tedy jak identifikovat chybějící hodnoty, odstranit duplicity, převést hodnoty do správného formátu a sjednotit zápis. Ukážeme si, jak tyto kroky provádět v Excelu i v Google Sheets.

Stažení datasetu s běžnými chybami

Přejděte nyní na konec lekce a stáhněte si pod ní přílohu s daty. Budeme pracovat se souborem kontrola_dat.xlsx, který obsahuje následující typické problémy:

• chybějící hodnoty – například prázdné buňky ve sloupcích Jméno nebo Věk,
• duplicitní záznamy – například dva řádky se stejným ID a jménem,
• chybné formáty – například věk zapsaný slovem (třicet) místo číslem,
• nesrovnalosti v zápisu – například Brno a brno jako dva různé zápisy téhož města,
• extrémní hodnoty – například věk 150, který výrazně překračuje běžné rozpětí.

Na tomto datasetu si postupně ukážeme, jak každou z těchto chyb detekovat a opravit. Budeme využívat filtry, podmíněné formátování a různé funkce či nástroje pro odebrání duplicit a sjednocení formátu.

...konec náhledu článku...
Pokračuj dál