Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Čištění a transformace dat

Lekce 3 z 14 Aktualizováno 5. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Od surových dat k použitelným poznatkům
  2. Diagnostika kvality dat
  3. Zpracování chybějících hodnot
  4. Odstraňování duplicit
  5. Standardizace formátů
  6. Vytváření nových sloupců
  7. Export vyčištěných dat
  8. Teď jsi na řadě
  9. Klíčové poznatky

Od surových dat k použitelným poznatkům

Data z reálného světa jsou zřídka čistá. Najdeš v nich duplicity způsobené dvojitým importem, chybějící hodnoty kvůli nepovinným polím, formáty dat, které se liší podle toho, kdo je zadával, a sloupce zděděné ze starých nástrojů. Než začneš cokoli analyzovat, musíš data vyčistit. Tento krok byl dlouho tou nejnevděčnější částí práce. ChatGPT z něj dělá konverzaci: popíšeš problém, on vygeneruje čistící kód, provede ho a ukáže ti výsledek k ověření, než budeš pokračovat.

Diagnostika kvality dat

Čištění bez diagnostiky je jako oprava něčeho se zavázanýma očima. Každou relaci začni auditem:

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

Zpráva ti poskytne procento chybějících hodnot sloupec po sloupci, počet duplicitních řádků, sloupce s nekonzistentními typy – směs textu a čísel téměř vždy značí ruční zadávání – a extrémní hodnoty, které jsou pravděpodobně překlepy. U souboru objednávek může audit odhalit zákazníky bez poštovních směrovacích čísel nebo objednávku na 950 000 € místo 950 €. Funguje i kratší prompt: „Zkontroluj tento soubor: jaké běžné problémy nacházíš?“ ChatGPT ti pak může navrhnout několik způsobů, jak je opravit; před výběrem se zeptej na důsledky každého z nich.

Zpracování chybějících hodnot

Toto je nejčastější problém a neexistuje univerzální řešení: správná strategie závisí na tom, co prázdné místo znamená v tvém kontextu. Chybějící částka není totéž co chybějící e-mailová adresa.

Smazání neúplných řádků funguje, když je chybějících dat málo a nejsou kritická. E-mailová kampaň nemá využití pro kontakt bez adresy: tento řádek je nenávratně ztracen.

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

Doplnění výchozí hodnotou dává smysl, když znáš logickou hodnotu. Pokud tvoje firma působí pouze ve Francii a pole země bylo nepovinné, absence znamená „Francie“; prázdná částka na řádku slevy znamená nulu, nikoli „neznámé“.

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

Nakonec interpolace vyhovuje časovým řadám a spojitým datům, kde by nulová hodnota vytvořila umělou mezeru v křivce.

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

Odstraňování duplicit

Duplicity zkreslují veškerou následnou statistiku: započítání zákazníka dvakrát zdvojnásobí jeho příspěvek k tržbám a uměle zvýší jeho ranking. Nejprve však musíš definovat, co tvoří duplicitu, protože dvě objednávky od stejného zákazníka ve stejný den mohou být legitimní.

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

Požádej ChatGPT, aby ti před odstraněním ukázal dotčené řádky, a věnuj čas jejich revizi: přesně v tuto chvíli uvidíš, zda mažeš skutečnou duplicitu z importu, nebo genuinní druhou objednávku.

Standardizace formátů

Data jsou první překážkou. Soubor napájený z více zdrojů často obsahuje „15/03/2026“, „2026-03-15“ i „15 March 2026“, které pandas nedokáže společně seřadit: tvá měsíční křivka zůstane němá, dokud to nevyřešíš.

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

Text představuje zákeřnější obtíže, protože pro lidské oko zůstává čitelný. „Paris“, „PARIS“ a „paris“ se počítají jako tři různá města; mezera na konci za „Lyon “ vytvoří čtvrté; „Saint-Étienne“ versus „St Etienne“ rozdělí tvé regionální prodeje do dvou řádků, z nichž žádný není správný.

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

Čísla nakonec často přicházejí naformátovaná pro zobrazení, nikoli pro výpočet. Dokud sloupec obsahuje „1 250,50 €“, není žádné sčítání možné.

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

Vytváření nových sloupců

Transformace není jen o opravách; je také o obohacování. Sloupec s datem se stane čtvrtletní osou pro porovnávání období; sloupec s částkou se stane obchodním segmentem použitelným v tvých analýzách.

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

ChatGPT vygeneruje odpovídající kód v pandas s využitím pd.cut() nebo logických podmínek a provede ho. Poté zkontroluj výsledné rozložení: pokud 90 % tvých zákazníků spadne do kategorie „Small“, jsou tvé prahové hodnoty špatně nastavené a segmentace tě nic nenaučí.

Export vyčištěných dat

Jakmile je čištění dokončeno, stáhni si čistý soubor. Tlačítko pro stažení, umístěné vpravo nahoře u tabulky vytvořené ChatGPT, jej uloží ve formátu CSV. Pro specifický formát si o něj řekni:

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

Poté otevři soubor ve svém tabulkovém procesoru a porovnej počet řádků s originálem: odcházíš se souborem použitelným jinde – Excel, BI nástroj, další relace – aniž bys musel příští týden vše dělat znovu. Vždy pracuj s kopií a původní soubor ponech nedotčený, abys se v případě potřeby mohl vrátit zpět.

Pět fází čištění Pět kroků: audit kvality souboru; zpracování chybějících hodnot na základě významu prázdného místa; definice a ověření duplicit; standardizace dat, textu a čísel; export vyčištěného souboru. ČIŠTĚNÍ Pět fází čištění 1 Audit Kvalita 2 Chybějící Na základě prázdného místa 3 Duplicity Ověřeno 4 Formáty Data, text 5 Export Vyčištěný soubor Pracuj s kopií: původní soubor zůstává nedotčen.
Metoda lekce; anomálie na základě článku „Extracting Insights with ChatGPT Data Analysis“ z centra nápovědy OpenAI (listopad 2026).

Teď jsi na řadě

Tvoje první čištění.

  1. Importuj kopii reálného souboru a vyžádej si audit kvality
  2. Zpracuj chybějící hodnoty sloupec po sloupci na základě významu prázdného místa
  3. Definuj, co tvoří duplicitu, prozkoumej dotčené řádky a poté je odstraň
  4. Standardizuj data, města a částky
  5. Stáhni vyčištěný soubor a porovnej počet řádků s originálem

Oficiální zdroje: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)

Klíčové poznatky

  • Před analýzou vždy začni auditem kvality
  • ChatGPT zvládne chybějící hodnoty, duplicity a nekonzistentní formáty během několika zpráv
  • Systematicky ověřuj průběžné výsledky – po každé operaci si vyžádej náhled
  • Exportuj vyčištěný soubor pro opětovné použití v jiných nástrojích, pokud je to potřeba
  • Kód v Pythonu je viditelný: můžeš jej zkopírovat a znovu použít ve svých vlastních skriptech