본문으로 바로가기

강의

PostgreSQL 데이터베이스에서 데이터 정제하기

중급기술 수준

업데이트됨 2022. 9.

PostgreSQL에 저장된 거친 데이터를 정제·가공하여 정확한 인사이트를 도출하는 방법을 학습하세요.

무료로 강의 시작

SQLData Preparation

4시간

15 동영상

49 연습 문제

4,050 XP

14,166

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

많은 데이터 과학자와 데이터 분석가에게 업무에서 가장 흔한 작업이 무엇인지 묻는다면, 대부분의 답변에 데이터 정제가 포함될 거예요. 실제 데이터는 늘 지저분하기 때문입니다. 이 강의는 PostgreSQL 데이터베이스에 저장된 데이터를 정제하는 방법을 통해 그런 지저분한 데이터를 다루도록 도와드립니다. 지저분한 문자열을 정리하고, 빈 값을 처리하고, 문자열 간 유사도를 비교하는 등 흔한 문제들을 해결하는 방법을 배우게 됩니다. 또한 New York City의 Open Data 프로그램에서 제공하는 흥미롭지만 지저분한 데이터셋으로 직접 실습해 보실 수 있어요. 이제 지저분한 데이터를 말끔하게 다듬을 준비가 되셨나요?

선수 조건

Data Manipulation in SQL

1

Data Cleaning Basics

In this chapter, you’ll gain an understanding of data cleaning approaches when working with PostgreSQL databases and learn the value of cleaning data as early as possible in the pipeline. You’ll also learn basic string editing approaches such as removing unnecessary spaces as well as more involved topics such as pattern matching and string similarity to identify string values in need of cleaning.

Introduction to data cleaning

Developing a data cleaning mindset

Applying functions for string cleaning

Pattern matching

Classifying parking violations by time of day

Masking identifying information with regular expressions

Matching similar strings

Matching inconsistent color names

Standardizing color names

Standardizing multiple colors

Formatting text for colleagues

2

Missing, Duplicate, and Invalid Data

You’ll learn how to write queries to solve common problems of missing, duplicate, and invalid data in the context of PostgreSQL database tables. Through hands-on exercises, you’ll use the COALESCE() function, SELECT query, and WHERE clause to clean messy data.

Handling missing data

Quantifying completeness

Using a fill-in value

Analyzing incomplete records

Handling duplicated data

Duplicate parking violations

Resolving impartial duplicates

Detecting invalid values

Detecting invalid values with regular expressions

Identifying out-of-range vehicle model years

Detecting inconsistent data

Identifying invalid parking violations

Invalid violations with overnight parking restrictions

Recovering deleted data

3

Converting Data

Sometimes you need to convert data stored in a PostgreSQL database from one data type to another. In this chapter, you’ll explore the expressions you need to convert text to numeric types and how to format strings for temporal data.

Data type conversions

Type conversion with a CASE clause

Applying aggregate functions to converted values

Date parsing and formatting

Cleaning invalid dates

Converting and displaying dates

Timestamp parsing and formatting

Extracting hours from a time value

A parking violation report by day of the month

Risky parking behavior

4

Transforming Data

In the final chapter, you’ll learn how to transform your data and construct pivot tables. Working with real-world postal data, you’ll discover how to combine and split addresses into city, state, and zip codes using a multitude of powerful functions including CONCAT(), SUBSTRING(), and REGEXP_SPLIT_TO_TABLE().

Combining columns

Tallying corner parking violations

Creating a TIMESTAMP with concatenation

Splitting column data

Extracting time units with SUBSTRING()

Extracting house numbers from a string

Splitting data with delimiters

Splitting house numbers with a delimiter

Mapping parking restrictions

Creating pivot tables

Selecting data for a pivot table

Using FILTER to create a pivot table

Aggregating film categories

Course wrap-up

PostgreSQL 데이터베이스에서 데이터 정제하기

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 PostgreSQL 데이터베이스에서 데이터 정제하기을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.