Pulizia e trasformazione dei dati
In questa pagina
Dai dati grezzi alle informazioni utilizzabili
I dati del mondo reale sono raramente puliti. Troverai duplicati dovuti a doppie importazioni, valori mancanti perché un campo era facoltativo, formati di data che cambiano a seconda di chi ha inserito i dati e colonne ereditate da strumenti obsoleti. Prima di poter analizzare qualsiasi cosa, devi pulire. Questo passaggio è stato a lungo la parte più ingrata del lavoro. ChatGPT lo trasforma in una conversazione: descrivi il problema, lui genera il codice di pulizia, lo esegue e ti mostra il risultato per la verifica prima di procedere.
Diagnosi della qualità dei tuoi dati
Pulire senza diagnosi è come riparare qualcosa bendati. Inizia ogni sessione con un audit:
Analyze the quality of this file: missing values per column,
duplicates, detected data types, and potential outliers.
Il report fornisce la percentuale di valori mancanti colonna per colonna, il numero di righe duplicate, le colonne con tipi incoerenti (un mix di testo e numeri indica quasi sempre un inserimento manuale) e i valori estremi probabilmente dovuti a errori di battitura. Su un file ordini, l’audit potrebbe rivelare clienti senza codice postale o un ordine di 950.000 € invece di 950 €. Funziona anche un prompt più breve: “Controlla questo file: quali problemi comuni trovi?”. ChatGPT può quindi suggerire diversi modi per risolverli; chiedi le conseguenze di ciascuno prima di scegliere.
Gestione dei valori mancanti
Questo è il problema più frequente e non esiste una soluzione universale: la strategia giusta dipende da ciò che lo spazio vuoto significa nel tuo contesto. Un importo mancante non è la stessa cosa di un indirizzo email mancante.
Eliminare le righe incomplete funziona quando i dati mancanti sono scarsi e non critici. Una campagna email non ha utilità per un contatto senza indirizzo: quella riga è irrecuperabile.
Delete all rows where the "email" column is empty.
Riempire con un valore predefinito ha senso quando conosci il valore logico. Se la tua azienda opera esclusivamente in Francia e il campo paese era facoltativo, l’assenza significa “Francia”; un importo vuoto su una riga di sconto significa zero, non “sconosciuto”.
Replace missing values in "country" with "France"
and those in "amount" with 0.
Infine, l’interpolazione si adatta alle serie temporali e ai dati continui, dove un valore nullo creerebbe un vuoto artificiale nella curva.
For missing values in "monthly_revenue", use the average
of the previous and following months for the same customer.
Rimozione dei duplicati
I duplicati falsano tutte le statistiche a valle: contare due volte un cliente raddoppia il suo contributo al fatturato e ne gonfia artificialmente la classifica. Tuttavia, devi prima definire cosa costituisce un duplicato, poiché due ordini dello stesso cliente nello stesso giorno possono essere legittimi.
Identify and remove duplicates based on the columns
"customer_name" and "order_date". Keep the first occurrence.
Chiedi a ChatGPT di mostrarti le righe interessate prima di rimuoverle e prenditi il tempo per esaminarle: è proprio in questo momento che vedrai se stai eliminando un vero duplicato di importazione o un secondo ordine genuino.
Standardizzazione dei formati
Le date sono il primo ostacolo. Un file alimentato da più fonti contiene spesso “15/03/2026”, “2026-03-15” e “15 March 2026”, che pandas non può ordinare insieme: la tua curva mensile rimarrà muta finché questo non sarà risolto.
Convert all dates in the "purchase_date" column
to YYYY-MM-DD format and flag those that cannot be converted.
Il testo pone difficoltà più insidiose perché rimane leggibile all’occhio umano. “Paris”, “PARIS” e “paris” contano come tre città distinte; uno spazio finale dopo “Lyon ” ne crea una quarta; “Saint-Étienne” contro “St Etienne” divide le tue vendite regionali in due righe, nessuna delle quali è corretta.
Normalize the "city" column: capitalize the first letter,
remove extra spaces, and group variants
(Saint/St, missing hyphens).
Infine, i numeri arrivano spesso formattati per la visualizzazione piuttosto che per il calcolo. Finché la colonna contiene “1.250,50 €”, nessuna somma è possibile.
The "price" column contains values like "1,250.50 €".
Convert it to a decimal number (1250.50) and remove the euro symbol.
Creazione di nuove colonne
La trasformazione non consiste solo nel correggere, ma nell’arricchire. Una colonna data diventa un asse trimestrale per confrontare i periodi; una colonna importi diventa un segmento commerciale utilizzabile nelle tue analisi.
Create a "quarter" column from "order_date"
and a "revenue_tier" column that categorizes revenue as:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).
ChatGPT genera il codice pandas corrispondente, utilizzando pd.cut() o condizioni logiche, ed esegue l’operazione. Controlla poi la distribuzione risultante: se il 90% dei tuoi clienti rientra in “Small”, le tue soglie sono mal calibrate e la segmentazione non ti insegnerà nulla.
Esportazione dei dati puliti
Una volta completata la pulizia, recupera il file pulito. Il pulsante di download, situato in alto a destra di una tabella prodotta da ChatGPT, lo salva in formato CSV. Per un formato specifico, richiedilo:
Export the cleaned DataFrame as CSV (UTF-8, semicolon separator)
so I can download it.
Apri quindi il file nel tuo software foglio di calcolo e confronta il conteggio delle righe con l’originale: ti ritrovi con un file utilizzabile altrove (Excel, strumento BI, sessione successiva) senza dover rifare tutto la settimana successiva. Lavora sempre su una copia e mantieni il file originale intatto per poter tornare indietro se necessario.
A te la parola
La tua prima pulizia.
- Importa una copia di un file reale e richiedi un audit della qualità
- Gestisci i valori mancanti colonna per colonna, in base al significato dello spazio vuoto
- Definisci cosa costituisce un duplicato, esamina le righe interessate, quindi rimuovile
- Standardizza date, città e importi
- Scarica il file pulito e confronta il conteggio delle righe con l’originale
Fonti ufficiali: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centro assistenza OpenAI)
Punti chiave
- Inizia sempre con un audit della qualità prima di analizzare
- ChatGPT gestisce valori mancanti, duplicati e formati incoerenti in pochi messaggi
- Verifica sistematicamente i risultati intermedi: chiedi un’anteprima dopo ogni operazione
- Esporta il file pulito per riutilizzarlo in altri strumenti se necessario
- Il codice Python è visibile: puoi copiarlo e riutilizzarlo nei tuoi script