Build your ultimate AI agent
Kursbeskrivning
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?
Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i datarensning
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 datarensning50 XP
- Att utveckla ett datarensningsperspektiv50 XP
- Använda funktioner för strängrensning100 XP
- Mönstermatchning50 XP
- Klassificera parkeringsöverträdelser efter tid på dygnet100 XP
- Maskera identifierande information med reguljära uttryck100 XP
- Matcha liknande strängar50 XP
- Matcha inkonsekventa färgnamn100 XP
- Standardisera färgnamn100 XP
- Standardisera flera färger100 XP
- Formatera text för kollegor100 XP
2
Saknade, duplicerade och ogiltiga data
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.
3
Konvertering av 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.
4
Transformering 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().
S
Datarensning i PostgreSQL-databaser
Kurs
slutförd
