SlideShare una empresa de Scribd logo
1 de 34
Descargar para leer sin conexión
PREPARAÇÃO E LIMPEZA DE DADOS
Alexandre Duarte - http://alexandre.ci.ufpb.br/ensino/iad
Dados desorganizados vão cruzar o seu caminho, seja
você um analista de dados super bem pago com um
bilhão de registros ou uma startup com uma única
pessoa e uma lista com 90 contatos.
–Anitta
“Prepara…”
PREPARAÇÃO
• É comum que os dados coletados não estejam inicialmente
prontos para uso	

• Há um conjunto comum de tarefas de preparação que precisam
ser executadas, principalmente com dados coletados por terceiros	

• Se você tiver sorte, conseguirá automatizar pelo menos parte
destas tarefas!	

• A maioria dos analistas detestam esta parte do trabalho mas
alguém precisa limpar os dados
ETAPAS DA PREPARAÇÃO DE
DADOS
• Separação	

• Conversão	

• Padronização
SEPARAÇÃO
• Separar os dados em campos que serão mais úteis
para sua análise
Dado que você precisa Dado disponível
C77000S GA3C77000S
W30000P GA1W30000P
D21250G DE1D21250G
SEPARAÇÃO
• Um exemplo um pouco mais complexo
Shopping Endereço Cidade Estado
Manaíra Shopping,Av. Flávio Ribeiro Coutinho,
805 Manaíra - João Pessoa - PB
Shopping Recife, R. PE. CARAPUCEIRO, 777,
BOAVIAGEM - RECIFE/PE
Shopping Midway,Av. BernardoVieira, 3775 -Tirol	

Natal-RN
SEPARAÇÃO
Nome
Pedro Campos
José João
Maria Silva
Luiz Santos
Zeca Oliveira
Marlene Maria
Nome Sobrenome
Pedro Campos
José João
Silva Maria
Luiz Santos
Zeca Oliveira
Marlene Maria
SEPARAÇÃO
Iniciais no meio Alexandre N. Duarte
Designação profissional Prof. Alexandre Duarte
Prefixos Dr. Alexandre Duarte
Sufixos Alexandre Duarte II
Sobrenome com hífen Alexandre Nóbrega-Duarte
Sobrenome primeiro Duarte,Alexandre Nóbrega
Primeiro nome duplo Alexandre Antônio Duarte
SEPARAÇÃO
Prefixo/Sufixos Prof. Alexandre Duarte, PhD
Outros campos incluídos
incorretamente
Alexandre Duarte UFPB João Pessoa
Primeiro nome ausente Nóbrega Duarte
Sobrenome ausente Alexandre
Tudo ausente
Não sei AA
Não é um nome de pessoa Universidade Federal da Paraíba
COMO PROCEDER?
• Suponha que precisamos separar os nomes para
podermos ordenar uma lista de 500 itens pelo
sobrenome
ANTES DE COMEÇAR
• Qual a importância de fazer essa separação? 	

• O que se perde mantendo o nome como um campo único?	

• Qual o resultado esperado?	

• Deve-se manter algum outro campo além do nome e sobrenome?	

• Vale a pena o esforço ?	

• E se alguém disser que corrige a lista para você por R$ 1000? E por R$ 100? 	

• Como lidar com entradas incorretas/incompletas?
COMO SEPARAR OS DADOS?
• É possível escrever um livro inteiro apenas sobre
isso!	

• Conhecimento de uma linguagem de
programação facilita bastante o trabalho
“Você deve sempre manter uma cópia dos dados
originais.”
PROCURE PELO CASO
COMUM
• Muitas vezes, a maior parte dos dados pode ser
separada de forma trivial 	

• Você pode perceber que dos 500 nomes, 200
possuem apenas o primeiro nome e o sobrenome 	

• Separe estes 200 e concentre-se nos 300
restantes
IDENTIFIQUE AS
SINGULARIDADES
• Dê uma olhada no conjunto de dados para
identificar entradas sem dados, nomes complicados,
nomes incompletos, dados que não representam
nomes e entradas com as quais você não sabe lidar. 	

• Digamos que este grupo é formado por 40 nomes	

• Reserve-os para mais tarde.
PROCURE POR
SIMILARIDADES
• Dos 260 nomes restantes, talvez 60 sejam mais complicados por
conta de designações profissionais. 	

• Apague ou separe manualmente de uma única vez essas 60
designações profissionais 	

• Adicione os que agora possuem apenas nome e sobrenome aos
200 que separamos no começo 	

• Os que ainda não estiverem no formato esperado (sobrenomes
duplos, etc) são classificados em grupos apropriados
ESFORÇO MANUAL
• Os 40 nomes estranhos podem acabar tendo que
ser tratados manualmente, com a redigitação
correta dos dados
CONVERSÃO
• Uma outra tarefa importante na fase de preparação é garantir
que todos os dados de um determinado campo sejam descritos
utilizando a mesma unidade e tipo de dados	

• Exemplo: considere uma base com dados biometricos de pessoas
de diferentes países. 	

• Pesos podem especificados em kilos ou libras	

• Alturas podem ser especificadas em centímetros ou polegadas
PADRONIZAÇÃO
• Talvez a etapa mais intensiva da preparação dos
dados seja a padronização, ou controle de
inconsistências	

• Valores diferentes para representar o mesmo
conceito	

• Geralmente requer preparação semi-automática
PADRONIZAÇÃO
Engenharia da Computação
Ciência da Computação
Ciências da Computação
Matemática
Engenharia de Computação
EC
CC
MAT
0 7.5 15 22.5 30
Engenharia da Computação
Ciência da Computação
Matemática
0 12.5 25 37.5 50
DIMINUINDO A DOR DE
CABEÇA
• A melhor solução é a prevenção	

• Se você está coletando os dados, faça o máximo
possível para minimizar a possibilidade de coletar
dados que demandem grande esforço na
preparação	

• Veremos mais sobre isso ainda hoje!
LIMPEZA
LIMPEZA DOS DADOS
• Após a preparação dos dados devemos procurar identificar
dados incorretos 	

• Números inconsistentes	

• Erros de digitação	

• Decidir se é possível corrigir os erros ou se os dados devem ser
ignorados	

• Atividade semi-automática
TESTE DE INTERVALO
• Procedimento simples para testar valores
numéricos	

• Checar se valores estão acima ou abaixo dos
limites estabelecidos para uma variável	

• Marcar valores suspeitos para análise manual
LIMPEZA DE NOTAS
Matrícula Nota
679372531 980
673540288 99
674082892 97
673923590 96
LIMPEZA DE NOTAS
Matrícula Nota
679372531 78
673540288 75
674082892 74
673923590 9
ORTOGRAFIA
• Verificação ortográfica é uma outra forma de detectar dados
problemáticos	

• Cienca da Computaçao, Ciensia da Computasao ,etc	

• Recomenda-se que cada variável (coluna) seja testada isoladamente	

• Um valor considerado incorreto para uma variável pode ser correto
para outra
PADRÕES / EXPRESSÕES
REGULARES
• Expressões regulares são suas aliadas	

• Testar se todas as entradas para a variável e-mail
são realmente endereços de e-mail	

• Só fazem sentido se aplicadas a variáveis (colunas)
isoladamente
A MAIORIA DOS CONJUNTOS
DE DADOS NÃO É 100% LIMPA
• Aceite isso!	

• Se você seleciona 1000 entradas de uma base com
1.000.000 entradas e você detecta que 2 estão
com o nome e sobrenome em um único campo,
faz sentido processar toda a base novamente ?	

• Depende!
DEPOIS DA LIMPEZA
• há documentação!	

• Como outros podem verificar que a limpeza que você fez não corrompeu
os dados?	

• Os dados tratados podem ser muito diferentes dos dados brutos	

• É preciso documentar tudo!	

• É melhor documentar durante a limpeza e não após terminar.	

• Ajudará a explicar porque determinados pontos de dados foram
removidos
REGRA GERAL
• Se o número de valores incorretos ou ausentes
em uma [linha, coluna] é maior do que o número
de valores corretos o mais recomendado é excluir
esta [linha, coluna]
O QUE UMA BOA LIMPEZA DE
DADOS CONSEGUETRATAR
• erros de digitação, erros de digitação	

• outliers, valores inválidos, valores extremos	

• dados que não são internamente consistentes	

• ausência ou excesso de dados	

• padrões estranhos em distribuições 	

• valores ausentes
O QUE A LIMPEZA NÃO FAZ
• Detectar valores incorretos mas dentro do intervalo esperado	

• Uma pessoa de 45 anos digita sua idade como 54	

• Detectar respostas que não refletem sua opinião do respondente	

• Escolheu Concorda Fortemente quando queria na verdade
escolher Discorda Fortemente	

• Distinguir dados ausentes de dados omitidos	

• Prefiro não responder

Más contenido relacionado

La actualidad más candente

Arquitetura Cliente-Servidor
Arquitetura Cliente-ServidorArquitetura Cliente-Servidor
Arquitetura Cliente-ServidorIsrael Messias
 
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERBanco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERRangel Javier
 
Visualização de dados
Visualização de dadosVisualização de dados
Visualização de dadosgrupohanium
 
Introdução à Visualização de Dados (2015)
Introdução à Visualização de Dados (2015)Introdução à Visualização de Dados (2015)
Introdução à Visualização de Dados (2015)Helder da Rocha
 
Big Data, o que é isso?
Big Data, o que é isso?Big Data, o que é isso?
Big Data, o que é isso?Ambiente Livre
 
Governança de Dados e Big Data_v02
Governança de Dados e Big Data_v02Governança de Dados e Big Data_v02
Governança de Dados e Big Data_v02Carlos Barbieri
 
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)Leinylson Fontinele
 
O Processo de Desenvolvimento de Software
O Processo de Desenvolvimento de SoftwareO Processo de Desenvolvimento de Software
O Processo de Desenvolvimento de SoftwareCamilo de Melo
 
Aula 01-Fundamentos da Computação
Aula 01-Fundamentos da ComputaçãoAula 01-Fundamentos da Computação
Aula 01-Fundamentos da ComputaçãoRafael Moraes
 
Modelo Relacional, Rede e Hierárquico
Modelo Relacional, Rede e HierárquicoModelo Relacional, Rede e Hierárquico
Modelo Relacional, Rede e Hierárquicorosimaracorsino
 
Inteligência Artificial
Inteligência ArtificialInteligência Artificial
Inteligência ArtificialAmanda Nalesso
 
1º trabalho base dados
1º trabalho base dados1º trabalho base dados
1º trabalho base dadosessa
 
Introdução a Arquitetura de Sistemas
Introdução a Arquitetura de SistemasIntrodução a Arquitetura de Sistemas
Introdução a Arquitetura de SistemasIgor Takenami
 

La actualidad más candente (20)

Arquitetura Cliente-Servidor
Arquitetura Cliente-ServidorArquitetura Cliente-Servidor
Arquitetura Cliente-Servidor
 
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DERBanco de Dados - Introdução - Projeto de Banco de Dados - DER
Banco de Dados - Introdução - Projeto de Banco de Dados - DER
 
Visualização de dados
Visualização de dadosVisualização de dados
Visualização de dados
 
Introdução à Visualização de Dados (2015)
Introdução à Visualização de Dados (2015)Introdução à Visualização de Dados (2015)
Introdução à Visualização de Dados (2015)
 
Big Data, o que é isso?
Big Data, o que é isso?Big Data, o que é isso?
Big Data, o que é isso?
 
Construindo um data lake na nuvem aws
Construindo um data lake na nuvem awsConstruindo um data lake na nuvem aws
Construindo um data lake na nuvem aws
 
Data science
Data scienceData science
Data science
 
Governança de Dados e Big Data_v02
Governança de Dados e Big Data_v02Governança de Dados e Big Data_v02
Governança de Dados e Big Data_v02
 
Big data
Big dataBig data
Big data
 
Aula 2 - Processos de Software
Aula 2 - Processos de SoftwareAula 2 - Processos de Software
Aula 2 - Processos de Software
 
Aula 8 - Comandos de Entrada e Saída
Aula 8 - Comandos de Entrada e SaídaAula 8 - Comandos de Entrada e Saída
Aula 8 - Comandos de Entrada e Saída
 
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)
Banco de Dados I - Aula 11 - Linguagem de Consulta SQL (Comandos DDL)
 
O Processo de Desenvolvimento de Software
O Processo de Desenvolvimento de SoftwareO Processo de Desenvolvimento de Software
O Processo de Desenvolvimento de Software
 
Aula 01-Fundamentos da Computação
Aula 01-Fundamentos da ComputaçãoAula 01-Fundamentos da Computação
Aula 01-Fundamentos da Computação
 
Modelo Relacional, Rede e Hierárquico
Modelo Relacional, Rede e HierárquicoModelo Relacional, Rede e Hierárquico
Modelo Relacional, Rede e Hierárquico
 
Inteligência Artificial
Inteligência ArtificialInteligência Artificial
Inteligência Artificial
 
Dados importam, seja data-driven!
Dados importam, seja data-driven!Dados importam, seja data-driven!
Dados importam, seja data-driven!
 
1º trabalho base dados
1º trabalho base dados1º trabalho base dados
1º trabalho base dados
 
Introdução a Arquitetura de Sistemas
Introdução a Arquitetura de SistemasIntrodução a Arquitetura de Sistemas
Introdução a Arquitetura de Sistemas
 
Modelos de Engenharia de Software
Modelos de Engenharia de SoftwareModelos de Engenharia de Software
Modelos de Engenharia de Software
 

Similar a Preparação e limpeza de dados: etapas e boas práticas

Principais processos de criação de um Banco de Dados e comuns erros de aplica...
Principais processos de criação de um Banco de Dados e comuns erros de aplica...Principais processos de criação de um Banco de Dados e comuns erros de aplica...
Principais processos de criação de um Banco de Dados e comuns erros de aplica...Perla Coutinho Barbosa
 
Curso de Delphi - Banco de Dados
Curso de Delphi - Banco de DadosCurso de Delphi - Banco de Dados
Curso de Delphi - Banco de DadosJosé Araújo
 
Clean Code - Fork In Tuba
Clean Code - Fork In TubaClean Code - Fork In Tuba
Clean Code - Fork In TubaRafael Paz
 
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)A Scuola di OpenCoesione
 
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazer
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazerGráficos: 10 dicas sobre o que fazer e sobre o que não fazer
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazerAlexandre Duarte
 
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...tdc-globalcode
 
Escrita Acadêmica em Inglês - Módulo 7
Escrita Acadêmica em Inglês - Módulo 7Escrita Acadêmica em Inglês - Módulo 7
Escrita Acadêmica em Inglês - Módulo 7Ron Martinez
 
Boas práticas no desenvolvimento de software
Boas práticas no desenvolvimento de softwareBoas práticas no desenvolvimento de software
Boas práticas no desenvolvimento de softwareFelipe
 
Banco de Dados.pptx
Banco de Dados.pptxBanco de Dados.pptx
Banco de Dados.pptxBrunoWuo
 
Isc aula 5 - estrutura e organização da informação
Isc   aula 5 - estrutura e organização da informaçãoIsc   aula 5 - estrutura e organização da informação
Isc aula 5 - estrutura e organização da informaçãoFábio Andrade
 

Similar a Preparação e limpeza de dados: etapas e boas práticas (20)

Principais processos de criação de um Banco de Dados e comuns erros de aplica...
Principais processos de criação de um Banco de Dados e comuns erros de aplica...Principais processos de criação de um Banco de Dados e comuns erros de aplica...
Principais processos de criação de um Banco de Dados e comuns erros de aplica...
 
Curso de Delphi - Banco de Dados
Curso de Delphi - Banco de DadosCurso de Delphi - Banco de Dados
Curso de Delphi - Banco de Dados
 
Clean Code - Fork In Tuba
Clean Code - Fork In TubaClean Code - Fork In Tuba
Clean Code - Fork In Tuba
 
Ip 01 logica
Ip 01 logicaIp 01 logica
Ip 01 logica
 
Aula 01 Revisão
Aula 01   RevisãoAula 01   Revisão
Aula 01 Revisão
 
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)
ASOCEU PORTUGAL - Lesson 2 - Data Refining (slides)
 
Lógica de programação e algoritmos
Lógica de programação e algoritmosLógica de programação e algoritmos
Lógica de programação e algoritmos
 
Db2
Db2Db2
Db2
 
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazer
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazerGráficos: 10 dicas sobre o que fazer e sobre o que não fazer
Gráficos: 10 dicas sobre o que fazer e sobre o que não fazer
 
Apostila Intensivo Python - Desafio 2.pdf
Apostila Intensivo Python - Desafio 2.pdfApostila Intensivo Python - Desafio 2.pdf
Apostila Intensivo Python - Desafio 2.pdf
 
pgDay Campinas – 2015
pgDay Campinas – 2015pgDay Campinas – 2015
pgDay Campinas – 2015
 
Aula Base de dados 2.pdf
Aula Base de dados 2.pdfAula Base de dados 2.pdf
Aula Base de dados 2.pdf
 
Clean Code
Clean CodeClean Code
Clean Code
 
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...
TDC2017 | São Paulo - Trilha BigData How we figured out we had a SRE team at ...
 
Aula 1.1
Aula 1.1Aula 1.1
Aula 1.1
 
Escrita Acadêmica em Inglês - Módulo 7
Escrita Acadêmica em Inglês - Módulo 7Escrita Acadêmica em Inglês - Módulo 7
Escrita Acadêmica em Inglês - Módulo 7
 
Boas práticas no desenvolvimento de software
Boas práticas no desenvolvimento de softwareBoas práticas no desenvolvimento de software
Boas práticas no desenvolvimento de software
 
Banco de Dados.pptx
Banco de Dados.pptxBanco de Dados.pptx
Banco de Dados.pptx
 
Isc aula 5 - estrutura e organização da informação
Isc   aula 5 - estrutura e organização da informaçãoIsc   aula 5 - estrutura e organização da informação
Isc aula 5 - estrutura e organização da informação
 
ed_aula01.pdf
ed_aula01.pdfed_aula01.pdf
ed_aula01.pdf
 

Más de Alexandre Duarte

Táticas para Projeto de Experimentos
Táticas para Projeto de ExperimentosTáticas para Projeto de Experimentos
Táticas para Projeto de ExperimentosAlexandre Duarte
 
Fazer Ciência é Difícil!
Fazer Ciência é Difícil!Fazer Ciência é Difícil!
Fazer Ciência é Difícil!Alexandre Duarte
 
Escolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaEscolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaAlexandre Duarte
 
Ciência da Computação como Ciência
Ciência da Computação como CiênciaCiência da Computação como Ciência
Ciência da Computação como CiênciaAlexandre Duarte
 
Metodologia da Pesquisa Científica: Introdução
Metodologia da Pesquisa Científica:  IntroduçãoMetodologia da Pesquisa Científica:  Introdução
Metodologia da Pesquisa Científica: IntroduçãoAlexandre Duarte
 
Panorama de Pesquisas em Análise de Dados na UFPB
Panorama de Pesquisas em Análise de Dados na UFPBPanorama de Pesquisas em Análise de Dados na UFPB
Panorama de Pesquisas em Análise de Dados na UFPBAlexandre Duarte
 
Sumarização Estatística 2D: Variáveis Nominais
Sumarização Estatística 2D: Variáveis NominaisSumarização Estatística 2D: Variáveis Nominais
Sumarização Estatística 2D: Variáveis NominaisAlexandre Duarte
 
Correlação e Classificação
Correlação e ClassificaçãoCorrelação e Classificação
Correlação e ClassificaçãoAlexandre Duarte
 
Sumarização Estatística 2D
Sumarização Estatística 2DSumarização Estatística 2D
Sumarização Estatística 2DAlexandre Duarte
 
Sumarização Estatística 1D
Sumarização Estatística 1DSumarização Estatística 1D
Sumarização Estatística 1DAlexandre Duarte
 
Introdução ao Projeto de Experimentos
Introdução ao Projeto de ExperimentosIntrodução ao Projeto de Experimentos
Introdução ao Projeto de ExperimentosAlexandre Duarte
 
Introdução ao Projeto de Surveys
Introdução ao Projeto de SurveysIntrodução ao Projeto de Surveys
Introdução ao Projeto de SurveysAlexandre Duarte
 
Introdução à Analise de Dados - aula 3 - Agregação de Dados
Introdução à Analise de Dados - aula 3 - Agregação de DadosIntrodução à Analise de Dados - aula 3 - Agregação de Dados
Introdução à Analise de Dados - aula 3 - Agregação de DadosAlexandre Duarte
 
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados Alexandre Duarte
 
Análise de Redes Sociais: Introdução aos Grafos Aleatórios
Análise de Redes Sociais: Introdução aos Grafos Aleatórios Análise de Redes Sociais: Introdução aos Grafos Aleatórios
Análise de Redes Sociais: Introdução aos Grafos Aleatórios Alexandre Duarte
 

Más de Alexandre Duarte (20)

Projeto de Experimentos
Projeto de ExperimentosProjeto de Experimentos
Projeto de Experimentos
 
Táticas para Projeto de Experimentos
Táticas para Projeto de ExperimentosTáticas para Projeto de Experimentos
Táticas para Projeto de Experimentos
 
Causalidade e Abdução
Causalidade e AbduçãoCausalidade e Abdução
Causalidade e Abdução
 
Fazer Ciência é Difícil!
Fazer Ciência é Difícil!Fazer Ciência é Difícil!
Fazer Ciência é Difícil!
 
Atividades Científica
Atividades CientíficaAtividades Científica
Atividades Científica
 
Escolhendo um Projeto de Pesquisa
Escolhendo um Projeto de PesquisaEscolhendo um Projeto de Pesquisa
Escolhendo um Projeto de Pesquisa
 
Ciência da Computação como Ciência
Ciência da Computação como CiênciaCiência da Computação como Ciência
Ciência da Computação como Ciência
 
Metodologia da Pesquisa Científica: Introdução
Metodologia da Pesquisa Científica:  IntroduçãoMetodologia da Pesquisa Científica:  Introdução
Metodologia da Pesquisa Científica: Introdução
 
Panorama de Pesquisas em Análise de Dados na UFPB
Panorama de Pesquisas em Análise de Dados na UFPBPanorama de Pesquisas em Análise de Dados na UFPB
Panorama de Pesquisas em Análise de Dados na UFPB
 
Agrupamento com K-Means
Agrupamento com K-MeansAgrupamento com K-Means
Agrupamento com K-Means
 
Sumarização Estatística 2D: Variáveis Nominais
Sumarização Estatística 2D: Variáveis NominaisSumarização Estatística 2D: Variáveis Nominais
Sumarização Estatística 2D: Variáveis Nominais
 
Correlação e Classificação
Correlação e ClassificaçãoCorrelação e Classificação
Correlação e Classificação
 
Sumarização Estatística 2D
Sumarização Estatística 2DSumarização Estatística 2D
Sumarização Estatística 2D
 
Sumarização Estatística 1D
Sumarização Estatística 1DSumarização Estatística 1D
Sumarização Estatística 1D
 
Transformação de Dados
Transformação de DadosTransformação de Dados
Transformação de Dados
 
Introdução ao Projeto de Experimentos
Introdução ao Projeto de ExperimentosIntrodução ao Projeto de Experimentos
Introdução ao Projeto de Experimentos
 
Introdução ao Projeto de Surveys
Introdução ao Projeto de SurveysIntrodução ao Projeto de Surveys
Introdução ao Projeto de Surveys
 
Introdução à Analise de Dados - aula 3 - Agregação de Dados
Introdução à Analise de Dados - aula 3 - Agregação de DadosIntrodução à Analise de Dados - aula 3 - Agregação de Dados
Introdução à Analise de Dados - aula 3 - Agregação de Dados
 
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados
Introdução à Análise de Dados - Aula 02 - Tipos Básicos de Dados
 
Análise de Redes Sociais: Introdução aos Grafos Aleatórios
Análise de Redes Sociais: Introdução aos Grafos Aleatórios Análise de Redes Sociais: Introdução aos Grafos Aleatórios
Análise de Redes Sociais: Introdução aos Grafos Aleatórios
 

Último

HORA DO CONTO4_BECRE D. CARLOS I_2023_2024
HORA DO CONTO4_BECRE D. CARLOS I_2023_2024HORA DO CONTO4_BECRE D. CARLOS I_2023_2024
HORA DO CONTO4_BECRE D. CARLOS I_2023_2024Sandra Pratas
 
A Inteligência Artificial na Educação e a Inclusão Linguística
A Inteligência Artificial na Educação e a Inclusão LinguísticaA Inteligência Artificial na Educação e a Inclusão Linguística
A Inteligência Artificial na Educação e a Inclusão LinguísticaFernanda Ledesma
 
637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano
637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano
637743470-Mapa-Mental-Portugue-s-1.pdf 4 anoAdelmaTorres2
 
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANO
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANOInvestimentos. EDUCAÇÃO FINANCEIRA 8º ANO
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANOMarcosViniciusLemesL
 
19 de abril - Dia dos povos indigenas brasileiros
19 de abril - Dia dos povos indigenas brasileiros19 de abril - Dia dos povos indigenas brasileiros
19 de abril - Dia dos povos indigenas brasileirosMary Alvarenga
 
FCEE - Diretrizes - Autismo.pdf para imprimir
FCEE - Diretrizes - Autismo.pdf para imprimirFCEE - Diretrizes - Autismo.pdf para imprimir
FCEE - Diretrizes - Autismo.pdf para imprimirIedaGoethe
 
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chave
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chaveAula - 2º Ano - Cultura e Sociedade - Conceitos-chave
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chaveaulasgege
 
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptx
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptxSlide de exemplo sobre o Sítio do Pica Pau Amarelo.pptx
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptxconcelhovdragons
 
Sociologia Contemporânea - Uma Abordagem dos principais autores
Sociologia Contemporânea - Uma Abordagem dos principais autoresSociologia Contemporânea - Uma Abordagem dos principais autores
Sociologia Contemporânea - Uma Abordagem dos principais autoresaulasgege
 
Empreendedorismo: O que é ser empreendedor?
Empreendedorismo: O que é ser empreendedor?Empreendedorismo: O que é ser empreendedor?
Empreendedorismo: O que é ser empreendedor?MrciaRocha48
 
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024HORA DO CONTO3_BECRE D. CARLOS I_2023_2024
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024Sandra Pratas
 
Currículo escolar na perspectiva da educação inclusiva.pdf
Currículo escolar na perspectiva da educação inclusiva.pdfCurrículo escolar na perspectiva da educação inclusiva.pdf
Currículo escolar na perspectiva da educação inclusiva.pdfIedaGoethe
 
PPT _ Módulo 3_Direito Comercial_2023_2024.pdf
PPT _ Módulo 3_Direito Comercial_2023_2024.pdfPPT _ Módulo 3_Direito Comercial_2023_2024.pdf
PPT _ Módulo 3_Direito Comercial_2023_2024.pdfAnaGonalves804156
 
Recurso Casa das Ciências: Sistemas de Partículas
Recurso Casa das Ciências: Sistemas de PartículasRecurso Casa das Ciências: Sistemas de Partículas
Recurso Casa das Ciências: Sistemas de PartículasCasa Ciências
 
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptx
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptxSlides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptx
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptxLuizHenriquedeAlmeid6
 
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNAS
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNASQUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNAS
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNASEdinardo Aguiar
 
Baladão sobre Variação Linguistica para o spaece.pptx
Baladão sobre Variação Linguistica para o spaece.pptxBaladão sobre Variação Linguistica para o spaece.pptx
Baladão sobre Variação Linguistica para o spaece.pptxacaciocarmo1
 
O guia definitivo para conquistar a aprovação em concurso público.pdf
O guia definitivo para conquistar a aprovação em concurso público.pdfO guia definitivo para conquistar a aprovação em concurso público.pdf
O guia definitivo para conquistar a aprovação em concurso público.pdfErasmo Portavoz
 
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024HORA DO CONTO5_BECRE D. CARLOS I_2023_2024
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024Sandra Pratas
 

Último (20)

HORA DO CONTO4_BECRE D. CARLOS I_2023_2024
HORA DO CONTO4_BECRE D. CARLOS I_2023_2024HORA DO CONTO4_BECRE D. CARLOS I_2023_2024
HORA DO CONTO4_BECRE D. CARLOS I_2023_2024
 
A Inteligência Artificial na Educação e a Inclusão Linguística
A Inteligência Artificial na Educação e a Inclusão LinguísticaA Inteligência Artificial na Educação e a Inclusão Linguística
A Inteligência Artificial na Educação e a Inclusão Linguística
 
637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano
637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano
637743470-Mapa-Mental-Portugue-s-1.pdf 4 ano
 
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANO
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANOInvestimentos. EDUCAÇÃO FINANCEIRA 8º ANO
Investimentos. EDUCAÇÃO FINANCEIRA 8º ANO
 
19 de abril - Dia dos povos indigenas brasileiros
19 de abril - Dia dos povos indigenas brasileiros19 de abril - Dia dos povos indigenas brasileiros
19 de abril - Dia dos povos indigenas brasileiros
 
FCEE - Diretrizes - Autismo.pdf para imprimir
FCEE - Diretrizes - Autismo.pdf para imprimirFCEE - Diretrizes - Autismo.pdf para imprimir
FCEE - Diretrizes - Autismo.pdf para imprimir
 
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chave
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chaveAula - 2º Ano - Cultura e Sociedade - Conceitos-chave
Aula - 2º Ano - Cultura e Sociedade - Conceitos-chave
 
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptx
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptxSlide de exemplo sobre o Sítio do Pica Pau Amarelo.pptx
Slide de exemplo sobre o Sítio do Pica Pau Amarelo.pptx
 
Sociologia Contemporânea - Uma Abordagem dos principais autores
Sociologia Contemporânea - Uma Abordagem dos principais autoresSociologia Contemporânea - Uma Abordagem dos principais autores
Sociologia Contemporânea - Uma Abordagem dos principais autores
 
Empreendedorismo: O que é ser empreendedor?
Empreendedorismo: O que é ser empreendedor?Empreendedorismo: O que é ser empreendedor?
Empreendedorismo: O que é ser empreendedor?
 
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024HORA DO CONTO3_BECRE D. CARLOS I_2023_2024
HORA DO CONTO3_BECRE D. CARLOS I_2023_2024
 
Currículo escolar na perspectiva da educação inclusiva.pdf
Currículo escolar na perspectiva da educação inclusiva.pdfCurrículo escolar na perspectiva da educação inclusiva.pdf
Currículo escolar na perspectiva da educação inclusiva.pdf
 
PPT _ Módulo 3_Direito Comercial_2023_2024.pdf
PPT _ Módulo 3_Direito Comercial_2023_2024.pdfPPT _ Módulo 3_Direito Comercial_2023_2024.pdf
PPT _ Módulo 3_Direito Comercial_2023_2024.pdf
 
Recurso Casa das Ciências: Sistemas de Partículas
Recurso Casa das Ciências: Sistemas de PartículasRecurso Casa das Ciências: Sistemas de Partículas
Recurso Casa das Ciências: Sistemas de Partículas
 
treinamento brigada incendio 2024 no.ppt
treinamento brigada incendio 2024 no.ppttreinamento brigada incendio 2024 no.ppt
treinamento brigada incendio 2024 no.ppt
 
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptx
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptxSlides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptx
Slides Lição 4, CPAD, Como se Conduzir na Caminhada, 2Tr24.pptx
 
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNAS
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNASQUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNAS
QUIZ DE MATEMATICA SHOW DO MILHÃO PREPARAÇÃO ÇPARA AVALIAÇÕES EXTERNAS
 
Baladão sobre Variação Linguistica para o spaece.pptx
Baladão sobre Variação Linguistica para o spaece.pptxBaladão sobre Variação Linguistica para o spaece.pptx
Baladão sobre Variação Linguistica para o spaece.pptx
 
O guia definitivo para conquistar a aprovação em concurso público.pdf
O guia definitivo para conquistar a aprovação em concurso público.pdfO guia definitivo para conquistar a aprovação em concurso público.pdf
O guia definitivo para conquistar a aprovação em concurso público.pdf
 
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024HORA DO CONTO5_BECRE D. CARLOS I_2023_2024
HORA DO CONTO5_BECRE D. CARLOS I_2023_2024
 

Preparação e limpeza de dados: etapas e boas práticas

  • 1. PREPARAÇÃO E LIMPEZA DE DADOS Alexandre Duarte - http://alexandre.ci.ufpb.br/ensino/iad
  • 2. Dados desorganizados vão cruzar o seu caminho, seja você um analista de dados super bem pago com um bilhão de registros ou uma startup com uma única pessoa e uma lista com 90 contatos.
  • 4. PREPARAÇÃO • É comum que os dados coletados não estejam inicialmente prontos para uso • Há um conjunto comum de tarefas de preparação que precisam ser executadas, principalmente com dados coletados por terceiros • Se você tiver sorte, conseguirá automatizar pelo menos parte destas tarefas! • A maioria dos analistas detestam esta parte do trabalho mas alguém precisa limpar os dados
  • 5. ETAPAS DA PREPARAÇÃO DE DADOS • Separação • Conversão • Padronização
  • 6. SEPARAÇÃO • Separar os dados em campos que serão mais úteis para sua análise Dado que você precisa Dado disponível C77000S GA3C77000S W30000P GA1W30000P D21250G DE1D21250G
  • 7. SEPARAÇÃO • Um exemplo um pouco mais complexo Shopping Endereço Cidade Estado Manaíra Shopping,Av. Flávio Ribeiro Coutinho, 805 Manaíra - João Pessoa - PB Shopping Recife, R. PE. CARAPUCEIRO, 777, BOAVIAGEM - RECIFE/PE Shopping Midway,Av. BernardoVieira, 3775 -Tirol Natal-RN
  • 8. SEPARAÇÃO Nome Pedro Campos José João Maria Silva Luiz Santos Zeca Oliveira Marlene Maria Nome Sobrenome Pedro Campos José João Silva Maria Luiz Santos Zeca Oliveira Marlene Maria
  • 9. SEPARAÇÃO Iniciais no meio Alexandre N. Duarte Designação profissional Prof. Alexandre Duarte Prefixos Dr. Alexandre Duarte Sufixos Alexandre Duarte II Sobrenome com hífen Alexandre Nóbrega-Duarte Sobrenome primeiro Duarte,Alexandre Nóbrega Primeiro nome duplo Alexandre Antônio Duarte
  • 10. SEPARAÇÃO Prefixo/Sufixos Prof. Alexandre Duarte, PhD Outros campos incluídos incorretamente Alexandre Duarte UFPB João Pessoa Primeiro nome ausente Nóbrega Duarte Sobrenome ausente Alexandre Tudo ausente Não sei AA Não é um nome de pessoa Universidade Federal da Paraíba
  • 11. COMO PROCEDER? • Suponha que precisamos separar os nomes para podermos ordenar uma lista de 500 itens pelo sobrenome
  • 12. ANTES DE COMEÇAR • Qual a importância de fazer essa separação? • O que se perde mantendo o nome como um campo único? • Qual o resultado esperado? • Deve-se manter algum outro campo além do nome e sobrenome? • Vale a pena o esforço ? • E se alguém disser que corrige a lista para você por R$ 1000? E por R$ 100? • Como lidar com entradas incorretas/incompletas?
  • 13. COMO SEPARAR OS DADOS? • É possível escrever um livro inteiro apenas sobre isso! • Conhecimento de uma linguagem de programação facilita bastante o trabalho
  • 14. “Você deve sempre manter uma cópia dos dados originais.”
  • 15. PROCURE PELO CASO COMUM • Muitas vezes, a maior parte dos dados pode ser separada de forma trivial • Você pode perceber que dos 500 nomes, 200 possuem apenas o primeiro nome e o sobrenome • Separe estes 200 e concentre-se nos 300 restantes
  • 16. IDENTIFIQUE AS SINGULARIDADES • Dê uma olhada no conjunto de dados para identificar entradas sem dados, nomes complicados, nomes incompletos, dados que não representam nomes e entradas com as quais você não sabe lidar. • Digamos que este grupo é formado por 40 nomes • Reserve-os para mais tarde.
  • 17. PROCURE POR SIMILARIDADES • Dos 260 nomes restantes, talvez 60 sejam mais complicados por conta de designações profissionais. • Apague ou separe manualmente de uma única vez essas 60 designações profissionais • Adicione os que agora possuem apenas nome e sobrenome aos 200 que separamos no começo • Os que ainda não estiverem no formato esperado (sobrenomes duplos, etc) são classificados em grupos apropriados
  • 18. ESFORÇO MANUAL • Os 40 nomes estranhos podem acabar tendo que ser tratados manualmente, com a redigitação correta dos dados
  • 19. CONVERSÃO • Uma outra tarefa importante na fase de preparação é garantir que todos os dados de um determinado campo sejam descritos utilizando a mesma unidade e tipo de dados • Exemplo: considere uma base com dados biometricos de pessoas de diferentes países. • Pesos podem especificados em kilos ou libras • Alturas podem ser especificadas em centímetros ou polegadas
  • 20. PADRONIZAÇÃO • Talvez a etapa mais intensiva da preparação dos dados seja a padronização, ou controle de inconsistências • Valores diferentes para representar o mesmo conceito • Geralmente requer preparação semi-automática
  • 21. PADRONIZAÇÃO Engenharia da Computação Ciência da Computação Ciências da Computação Matemática Engenharia de Computação EC CC MAT 0 7.5 15 22.5 30 Engenharia da Computação Ciência da Computação Matemática 0 12.5 25 37.5 50
  • 22. DIMINUINDO A DOR DE CABEÇA • A melhor solução é a prevenção • Se você está coletando os dados, faça o máximo possível para minimizar a possibilidade de coletar dados que demandem grande esforço na preparação • Veremos mais sobre isso ainda hoje!
  • 24. LIMPEZA DOS DADOS • Após a preparação dos dados devemos procurar identificar dados incorretos • Números inconsistentes • Erros de digitação • Decidir se é possível corrigir os erros ou se os dados devem ser ignorados • Atividade semi-automática
  • 25. TESTE DE INTERVALO • Procedimento simples para testar valores numéricos • Checar se valores estão acima ou abaixo dos limites estabelecidos para uma variável • Marcar valores suspeitos para análise manual
  • 26. LIMPEZA DE NOTAS Matrícula Nota 679372531 980 673540288 99 674082892 97 673923590 96
  • 27. LIMPEZA DE NOTAS Matrícula Nota 679372531 78 673540288 75 674082892 74 673923590 9
  • 28. ORTOGRAFIA • Verificação ortográfica é uma outra forma de detectar dados problemáticos • Cienca da Computaçao, Ciensia da Computasao ,etc • Recomenda-se que cada variável (coluna) seja testada isoladamente • Um valor considerado incorreto para uma variável pode ser correto para outra
  • 29. PADRÕES / EXPRESSÕES REGULARES • Expressões regulares são suas aliadas • Testar se todas as entradas para a variável e-mail são realmente endereços de e-mail • Só fazem sentido se aplicadas a variáveis (colunas) isoladamente
  • 30. A MAIORIA DOS CONJUNTOS DE DADOS NÃO É 100% LIMPA • Aceite isso! • Se você seleciona 1000 entradas de uma base com 1.000.000 entradas e você detecta que 2 estão com o nome e sobrenome em um único campo, faz sentido processar toda a base novamente ? • Depende!
  • 31. DEPOIS DA LIMPEZA • há documentação! • Como outros podem verificar que a limpeza que você fez não corrompeu os dados? • Os dados tratados podem ser muito diferentes dos dados brutos • É preciso documentar tudo! • É melhor documentar durante a limpeza e não após terminar. • Ajudará a explicar porque determinados pontos de dados foram removidos
  • 32. REGRA GERAL • Se o número de valores incorretos ou ausentes em uma [linha, coluna] é maior do que o número de valores corretos o mais recomendado é excluir esta [linha, coluna]
  • 33. O QUE UMA BOA LIMPEZA DE DADOS CONSEGUETRATAR • erros de digitação, erros de digitação • outliers, valores inválidos, valores extremos • dados que não são internamente consistentes • ausência ou excesso de dados • padrões estranhos em distribuições • valores ausentes
  • 34. O QUE A LIMPEZA NÃO FAZ • Detectar valores incorretos mas dentro do intervalo esperado • Uma pessoa de 45 anos digita sua idade como 54 • Detectar respostas que não refletem sua opinião do respondente • Escolheu Concorda Fortemente quando queria na verdade escolher Discorda Fortemente • Distinguir dados ausentes de dados omitidos • Prefiro não responder