Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Čiščenje in preoblikovanje podatkov

Lekcija 3 od 14 Posodobljeno 5. november 2026 Srednje napredni
Na tej strani
  1. Od surovih podatkov do uporabnih vpogledov
  2. Diagnosticiranje kakovosti tvojih podatkov
  3. Obravnava manjkajočih vrednosti
  4. Odstranjevanje duplikatov
  5. Standardizacija formatov
  6. Ustvarjanje novih stolpcev
  7. Izvoz očiščenih podatkov
  8. Tvoja vrsta
  9. Ključne ugotovitve

Od surovih podatkov do uporabnih vpogledov

Podatki iz resničnega sveta so redko čisti. Naletel boš na podvojene vnose zaradi dvojnega uvoza, manjkajoče vrednosti, ker je bilo polje izbirno, različne formate datumov glede na osebo, ki je vnesla podatke, in stolpce, podedovane iz zastarelih orodij. Preden lahko karkoli analiziraš, moraš podatke očistiti. Ta korak je dolgo veljal za najbolj nehvaležno delo. ChatGPT ga spremeni v pogovor: opišeš težavo, on generira kodo za čiščenje, jo izvrši in ti prikaže rezultat za preverjanje, preden nadaljuješ.

Diagnosticiranje kakovosti tvojih podatkov

Čiščenje brez diagnoze je kot popravilo nečesa z zavezanimi očmi. Vsako sejo začni z revizijo:

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

Poročilo zagotovi odstotek manjkajočih vrednosti za vsak stolpec, število podvojenih vrstic, stolpce z nedoslednimi tipi – mešanica besedila in številk skoraj vedno kaže na ročni vnos – in ekstremne vrednosti, ki so verjetno tipkarske napake. Pri datoteki z naročili lahko revizija razkrije stranke brez poštnih številk ali naročilo v višini 950.000 € namesto 950 €. Deluje tudi krajši poziv: “Preveri to datoteko: katere pogoste težave najdeš?” ChatGPT lahko nato predlaga več načinov za njihovo odpravo; pred izbiro se pozanimaj o posledicah vsakega.

Obravnava manjkajočih vrednosti

To je najpogostejša težava in ne obstaja univerzalna rešitev: prava strategija je odvisna od tega, kaj prazen prostor pomeni v tvojem kontekstu. Manjkajoči znesek ni isto kot manjkajoči e-poštni naslov.

Brisanje nepopolnih vrstic deluje, ko je manjkajočih podatkov malo in niso ključni. E-poštna kampanja nima koristi od stika brez naslova: ta vrstica je neobnovljiva.

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

Izpolnjevanje z privzeto vrednostjo ima smisel, ko poznaš logično vrednost. Če tvoje podjetje posluje izključno v Franciji in je bilo polje za državo izbirno, odsotnost pomeni “Francija”; prazen znesek v vrstici popusta pomeni nič, ne “neznano”.

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

Nazadnje, interpolacija ustreza časovnim vrstam in zveznim podatkom, kjer bi ničelna vrednost ustvarila umetno vrzel v krivulji.

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

Odstranjevanje duplikatov

Duplikati izkrivljajo vso nadaljnjo statistiko: če stranko prešteješ dvakrat, se njen prispevek k prihodkom podvoji in umetno dvigne njena uvrstitev. Vendar moraš najprej opredeliti, kaj predstavlja duplikat, saj sta lahko dve naročili iste stranke na isti dan legitimni.

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

Prosi ChatGPT, da ti pred odstranitvijo prikaže prizadete vrstice, in si vzemi čas za njihov pregled: prav takrat boš videl, ali brišeš pravi duplikat uvoza ali dejansko drugo naročilo.

Standardizacija formatov

Datumi so prva ovira. Datoteka, ki jo napaja več virov, pogosto vsebuje “15/03/2026”, “2026-03-15” in “15 March 2026”, kar pandas ne more pravilno razvrstiti: tvoja mesečna krivulja bo ostala nema, dokler tega ne rešiš.

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

Besedilo predstavlja bolj zahrbtno težavo, ker ostane berljivo človeškemu očesu. “Paris”, “PARIS” in “paris” se štejejo kot tri različna mesta; presledek na koncu za “Lyon ” ustvari četrto; “Saint-Étienne” proti “St Etienne” razdeli tvojo regionalno prodajo na dve vrstici, od katerih nobena ni pravilna.

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

Številke pogosto prispejo formatirane za prikaz in ne za izračun. Dokler stolpec vsebuje “1.250,50 €”, seštevanje ni mogoče.

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

Ustvarjanje novih stolpcev

Preoblikovanje ni le popravljanje; gre za bogatenje. Stolpec z datumom postane četrtletna os za primerjavo obdobij; stolpec z zneskom postane komercialni segment, uporaben v tvojih analizah.

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

ChatGPT generira ustrezno kodo pandas, uporabi pd.cut() ali logične pogoje in jo izvrši. Nato preveri nastalo porazdelitev: če 90 % tvojih strank spada v kategorijo “Small”, so tvoji pragovi slabo umerjeni in segmentacija ti ne bo povedala ničesar.

Izvoz očiščenih podatkov

Ko je čiščenje končano, pridobi čisto datoteko. Gumb za prenos, ki se nahaja v zgornjem desnem kotu tabele, ki jo ustvari ChatGPT, jo shrani v formatu CSV. Za določen format to zahtevaj:

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

Nato odpri datoteko v svoji preglednici in primerjaj število vrstic z izvirnikom: odideš z datoteko, uporabno drugje – Excel, orodje BI, naslednja seja – ne da bi moral naslednji teden vse ponoviti. Vedno delaj s kopijo in ohrani izvirno datoteko nedotaknjeno, da se lahko po potrebi vrneš nazaj.

Pet faz čiščenja Pet korakov: revizija kakovosti datoteke; obravnava manjkajočih vrednosti glede na pomen praznega prostora; opredelitev in preverjanje duplikatov; standardizacija datumov, besedila in številk; izvoz očiščene datoteke. ČIŠČENJE Pet faz čiščenja 1 Revizija Kakovost 2 Manjkajoče Glede na prazen prostor 3 Duplikati Preverjeno 4 Formati Datumi, besedilo 5 Izvoz Očiščena datoteka Delaj s kopijo: izvirna datoteka ostane nedotaknjena.
Metoda lekcije; anomalije na podlagi članka "Extracting Insights with ChatGPT Data Analysis" iz centra za pomoč OpenAI (november 2026).

Tvoja vrsta

Tvoje prvo čiščenje.

  1. Uvozi kopijo prave datoteke in zahtevaj revizijo kakovosti
  2. Obravnavaj manjkajoče vrednosti stolpec za stolpcem, glede na pomen praznega prostora
  3. Opredeli, kaj predstavlja duplikat, pregledaj prizadete vrstice in jih nato odstrani
  4. Standardiziraj datume, mesta in zneske
  5. Prenesi očiščeno datoteko in primerjaj število vrstic z izvirnikom

Uradni viri: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Center za pomoč OpenAI)

Ključne ugotovitve

  • Vedno začni z revizijo kakovosti pred analizo
  • ChatGPT obravnava manjkajoče vrednosti, duplikate in nedosledne formate v nekaj sporočilih
  • Sistematično preverjaj vmesne rezultate – po vsaki operaciji zahtevaj predogled
  • Izvozi očiščeno datoteko za ponovno uporabo v drugih orodjih, če je potrebno
  • Koda Python je vidna: lahko jo kopiraš in ponovno uporabiš v svojih skriptah