Премини към основното съдържание
Български— Изберете език
Меню

Почистване и трансформиране на данни

Урок 3 от 14 Обновен 5 ноември 2026 г. Средно
На тази страница
  1. От сурови данни до приложими прозрения
  2. Диагностициране на качеството на Вашите данни
  3. Обработка на липсващи стойности
  4. Премахване на дубликати
  5. Стандартизиране на формати
  6. Създаване на нови колони
  7. Експортиране на почистените данни
  8. Ваш ред е
  9. Ключови изводи

От сурови данни до приложими прозрения

Данните от реалния свят рядко са чисти. Ще откриете дубликати от двойни импорти, липсващи стойности, защото полето е било незадължително, формати на дати, които се променят в зависимост от това кой ги е въвел, и колони, наследени от остарели инструменти. Преди да можете да анализирате каквото и да е, трябва да почистите данните. Този етап отдавна е най-неблагодарната част от работата. ChatGPT го превръща в разговор: Вие описвате проблема, той генерира кода за почистване, изпълнява го и Ви показва резултата за проверка, преди да продължите.

Диагностициране на качеството на Вашите данни

Почистването без диагностика е като ремонт със завързани очи. Започвайте всяка сесия с одит:

Analyze the quality of this file: missing values per column,
duplicates, detected data types, and potential outliers.

Отчетът предоставя процента на липсващите стойности колона по колона, броя на дублираните редове, колоните с несъответстващи типове – смес от текст и числа почти винаги показва ръчно въвеждане – и екстремни стойности, които вероятно са грешки при писане. При файл с поръчки одитът може да разкрие клиенти без пощенски код или поръчка за 950 000 евро вместо за 950 евро. По-кратка подкана също работи: „Провери този файл: какви често срещани проблеми откриваш?“. След това ChatGPT може да предложи няколко начина за тяхното отстраняване; попитайте за последствията от всеки от тях, преди да изберете.

Обработка на липсващи стойности

Това е най-честият проблем и няма универсално решение: правилната стратегия зависи от това какво означава празното място във Вашия контекст. Липсваща сума не е същото като липсващ имейл адрес.

Изтриването на непълни редове работи, когато липсващите данни са малко и некритични. една имейл кампания няма полза от контакт без адрес: този ред е невъзстановим.

Delete all rows where the "email" column is empty.

Попълването със стойност по подразбиране има смисъл, когато знаете логическата стойност. Ако бизнесът Ви оперира единствено във Франция и полето за държава е било незадължително, липсата означава „Франция“; празна сума в ред за отстъпка означава нула, а не „неизвестно“.

Replace missing values in "country" with "France"
and those in "amount" with 0.

Накрая, интерполацията е подходяща за времеви редове и непрекъснати данни, където нулева стойност би създала изкуствена празнота в кривата.

For missing values in "monthly_revenue", use the average
of the previous and following months for the same customer.

Премахване на дубликати

Дубликатите изкривяват цялата последваща статистика: броенето на един клиент два пъти удвоява неговия принос към приходите и изкуствено повишава неговия ранг. Въпреки това, първо трябва да дефинирате какво представлява дубликат, тъй като две поръчки от един и същи клиент в един и същи ден могат да бъдат легитимни.

Identify and remove duplicates based on the columns
"customer_name" and "order_date". Keep the first occurrence.

Поискайте от ChatGPT да Ви покаже засегнатите редове, преди да ги премахнете, и отделете време да ги прегледате: точно тогава ще видите дали изтривате истински дубликат от импорт или реална втора поръчка.

Стандартизиране на формати

Датите са първото препятствие. Файл, захранван от множество източници, често съдържа „15/03/2026“, „2026-03-15“ и „15 March 2026“, които pandas не може да сортира заедно: Вашата месечна крива ще остане няма, докато това не се реши.

Convert all dates in the "purchase_date" column
to YYYY-MM-DD format and flag those that cannot be converted.

Текстът създава по-коварни трудности, защото остава четим за човешкото око. „Paris“, „PARIS“ и „paris“ се броят като три различни града; интервал в края след „Lyon “ създава четвърти; „Saint-Étienne“ срещу „St Etienne“ разделя регионалните Ви продажби на два реда, нито един от които не е верен.

Normalize the "city" column: capitalize the first letter,
remove extra spaces, and group variants
(Saint/St, missing hyphens).

Накрая, числата често идват форматирани за показване, а не за изчисление. Докато колоната съдържа „1,250.50 €“, никакво сумиране не е възможно.

The "price" column contains values like "1,250.50 €".
Convert it to a decimal number (1250.50) and remove the euro symbol.

Създаване на нови колони

Трансформирането не е само поправяне; то е и обогатяване. Колона с дати се превръща в тримесечна ос за сравняване на периоди; колона със суми се превръща в търговски сегмент, използваем във Вашите анализи.

Create a "quarter" column from "order_date"
and a "revenue_tier" column that categorizes revenue as:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).

ChatGPT генерира съответния код на pandas, използвайки pd.cut() или логически условия, и го изпълнява. След това проверете полученото разпределение: ако 90% от клиентите Ви попадат в категория „Small“, Вашите прагове са лошо калибрирани и сегментацията няма да Ви научи на нищо.

Експортиране на почистените данни

След приключване на почистването, вземете чистия файл. Бутонът за изтегляне, разположен в горния десен ъгъл на таблица, генерирана от ChatGPT, го запазва във формат CSV. За конкретен формат, поискайте го:

Export the cleaned DataFrame as CSV (UTF-8, semicolon separator)
so I can download it.

След това отворете файла във Вашето софтуерно решение за електронни таблици и сравнете броя на редовете с оригиналния: си тръгвате с файл, usable другаде – Excel, BI инструмент, следваща сесия – без да се налага да правите всичко отново следващата седмица. Винаги работете върху копие и запазвайте оригиналния файл непокътнат, за да можете да се върнете назад, ако е необходимо.

Петте фази на почистване Пет стъпки: одит на качеството на файла; обработка на липсващи стойности въз основа на значението на празното място; дефиниране и проверка на дубликати; стандартизиране на дати, текст и числа; експортиране на почистения файл. ПОЧИСТВАНЕ Петте фази на почистване 1 Одит Качество 2 Липсващи Въз основа на празното място 3 Дубликати Проверени 4 Формати Дати, текст 5 Експортиране Почистен файл Работете върху копие: оригиналният файл остава непокътнат.
Метод на урока; аномалии въз основа на статията „Extracting Insights with ChatGPT Data Analysis“ от Help Center на OpenAI (ноември 2026 г.).

Ваш ред е

Вашето първо почистване.

  1. Импортирайте копие на реален файл и поискайте одит на качеството
  2. Обработете липсващите стойности колона по колона, въз основа на значението на празното място
  3. Дефинирайте какво представлява дубликат, прегледайте засегнатите редове, след което ги премахнете
  4. Стандартизирайте дати, градове и суми
  5. Изтеглете почистения файл и сравнете броя на редовете с оригиналния

Официални източници: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Help Center на OpenAI)

Ключови изводи

  • Винаги започвайте с одит на качеството, преди да анализирате
  • ChatGPT обработва липсващи стойности, дубликати и несъответстващи формати с няколко съобщения
  • Систематично проверявайте междинните резултати – поискайте преглед след всяка операция
  • Експортирайте почистения файл, за да го използвате повторно в други инструменти, ако е необходимо
  • Кодът на Python е видим: можете да го копирате и използвате повторно във Вашите собствени скриптове