Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Rengøring og transformation af data

Lektion 3 af 14 Opdateret 5. november 2026 Mellem
På denne side
  1. Fra rådata til handlingsdygtige indsigter
  2. Diagnosticering af dine datakvalitet
  3. Håndtering af manglende værdier
  4. Fjernelse af dubletter
  5. Standardisering af formater
  6. Oprettelse af nye kolonner
  7. Eksport af rensede data
  8. Din tur
  9. Vigtige pointer

Fra rådata til handlingsdygtige indsigter

Data fra den virkelige verden er sjældent rene. Du vil støde på dubletter fra dobbelte importeringer, manglende værdier, fordi et felt var valgfrit, datoformater, der ændrer sig afhængigt af hvem der indtastede dataene, og kolonner nedarvet fra gamle værktøjer. Før du kan analysere noget, skal du rense dataene. Dette trin har længe været det mest utaknemmelige arbejde. ChatGPT transformerer det til en samtale: du beskriver problemet, den genererer rense-koden, udfører den og viser dig resultatet til verifikation, før du fortsætter.

Diagnosticering af dine datakvalitet

At rense uden diagnosticering er som at reparere noget med bind for øjnene. Start hver session med en revision:

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

Rapporten giver procentdelen af manglende værdier kolonne for kolonne, antallet af dublerede rækker, kolonner med inkonsistente typer – en blanding af tekst og tal indikerer næsten altid manuel indtastning – og ekstreme værdier, der sandsynligvis er tastefejl. På en ordrefil kan revisionen afsløre kunder uden postnumre eller en ordre på 950.000 € i stedet for 950 €. En kortere prompt fungerer også: “Check this file: what common issues do you find?” ChatGPT kan derefter foreslå flere måder at løse dem på; spørg ind til konsekvenserne af hver løsning, før du vælger.

Håndtering af manglende værdier

Dette er det hyppigste problem, og der findes ingen universalløsning: den rigtige strategi afhænger af, hvad den tomme plads betyder i din kontekst. En manglende beløb er ikke det samme som en manglende e-mailadresse.

Sletning af ufuldstændige rækker fungerer, når manglende data er få og ikke-kritiske. En e-mailkampagne har ingen brug for en kontakt uden adresse: den række kan ikke reddes.

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

Udfyldning med en standardværdi giver mening, når du kender den logiske værdi. Hvis din virksomhed udelukkende opererer i Frankrig, og landefeltet var valgfrit, betyder fravær “Frankrig”; et tomt beløb på en rabatinde betyder nul, ikke “ukendt”.

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

Endelig egner interpolation sig til tidsserier og kontinuerte data, hvor en null-værdi ville skabe et kunstigt gab i kurven.

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

Fjernelse af dubletter

Dubletter fordrejer al efterfølgende statistik: at tælle en kunde dobbelt fordobler deres bidrag til omsætningen og oppuster kunstigt deres rangering. Du skal dog først definere, hvad der udgør en dublet, da to ordrer fra samme kunde på samme dag kan være legitime.

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

Bed ChatGPT om at vise dig de berørte rækker, før du fjerner dem, og tag dig tid til at gennemgå dem: det er præcis her, du vil se, om du sletter en ægte import-dublet eller en reel anden ordre.

Standardisering af formater

Datoer er den første forhindring. En fil fodret af flere kilder indeholder ofte “15/03/2026”, “2026-03-15” og “15 March 2026”, hvilket pandas ikke kan sortere sammen: din månedlige kurve vil forblive tavs, indtil dette er løst.

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

Tekst byder på mere snigende vanskeligheder, fordi den forbliver læsbar for det menneskelige øje. “Paris”, “PARIS” og “paris” tæller som tre forskellige byer; et efterfølgende mellemrum efter “Lyon ” skaber en fjerde; “Saint-Étienne” kontra “St Etienne” splitter dit regionsalg op i to linjer, hvoraf ingen er korrekt.

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

Endelig ankommer tal ofte formateret til visning snarere end beregning. Så længe kolonnen indeholder “1.250,50 €”, er ingen summering mulig.

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

Oprettelse af nye kolonner

Transformation handler ikke kun om at rette op; det handler om at berige. En datokolonne bliver til en kvartalsakse til sammenligning af perioder; en beløbskolonne bliver til et kommercielt segment, du kan bruge i dine analyser.

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

ChatGPT genererer den tilsvarende pandas-kode ved hjælp af pd.cut() eller logiske betingelser og udfører den. Tjek derefter den resulterende fordeling: hvis 90 % af dine kunder havner i “Small”, er dine tærskler dårligt kalibreret, og segmenteringen vil ikke lære dig noget.

Eksport af rensede data

Når rensningen er afsluttet, skal du hente den rene fil. Download-knappen, placeret øverst til højre i en tabel produceret af ChatGPT, gemmer den i CSV-format. For et specifikt format skal du bede om det:

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

Åbn derefter filen i dit regnearksprogram og sammenlign antallet af rækker med originalen: du står tilbage med en fil, der kan bruges andre steder – Excel, BI-værktøj, næste session – uden at skulle gøre det hele om ugen efter. Arbejd altid på en kopi, og behold originalfilen intakt, så du kan rulle tilbage, hvis det bliver nødvendigt.

De fem faser af rensning Fem trin: revision af filkvalitet; håndtering af manglende værdier baseret på betydningen af den tomme plads; definition og verifikation af dubletter; standardisering af datoer, tekst og tal; eksport af den rensede fil. RENSNING De fem faser af rensning 1 Revision Kvalitet 2 Manglende Baseret på tom plads 3 Dubletter Verificeret 4 Formater Datoer, tekst 5 Eksport Ren fil Arbejd på en kopi: originalfilen forbliver intakt.
Lektionsmetode; anomalier baseret på artiklen "Extracting Insights with ChatGPT Data Analysis" fra OpenAI Help Center (november 2026).

Din tur

Din første oprydning.

  1. Importér en kopi af en rigtig fil og anmod om en kvalitetsrevision
  2. Håndtér manglende værdier kolonne for kolonne baseret på, hvad den tomme plads betyder
  3. Definér, hvad der udgør en dublet, undersøg de berørte rækker, og fjern dem derefter
  4. Standardisér datoer, byer og beløb
  5. Download den rensede fil og sammenlign antallet af rækker med originalen

Officielle kilder: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)

Vigtige pointer

  • Start altid med en kvalitetsrevision, før du analyserer
  • ChatGPT håndterer manglende værdier, dubletter og inkonsistente formater på få beskeder
  • Verificér systematisk mellemresultater – bed om en forhåndsvisning efter hver operation
  • Eksportér den rensede fil for at genbruge den i andre værktøjer, hvis det er nødvendigt
  • Python-koden er synlig: du kan kopiere og genbruge den i dine egne scripts