Rengöring och transformering av data
På denna sida
Från rådata till användbara insikter
Data från verkligheten är sällan ren. Du hittar dubbletter från dubbla importer, saknade värden eftersom ett fält var valfritt, datumformat som varierar beroende på vem som matade in datan, och kolumner ärvda från äldre verktyg. Innan du kan analysera något måste du städa. Detta steg har länge varit det mest otacksamma i jobbet. ChatGPT förvandlar det till en konversation: du beskriver problemet, den genererar städkoden, kör den och visar resultatet för verifiering innan du går vidare.
Diagnostisera din datakvalitet
Att städa utan diagnos är som att reparera något med bind för ögonen. Inled varje session med en granskning:
Analyze the quality of this file: missing values per column,
duplicates, detected data types, and potential outliers.
Rapporten visar procentandelen saknade värden kolumn för kolumn, antalet dubblettrader, kolumner med inkonsekventa typer – en blandning av text och siffror indikerar nästan alltid manuell inmatning – samt extremvärden som troligen är skrivfel. På en orderfil kan granskningen avslöja kunder utan postnummer eller en order på 950 000 € istället för 950 €. En kortare prompt fungerar också: “Check this file: what common issues do you find?” ChatGPT kan sedan föreslå flera sätt att åtgärda dem; fråga om konsekvenserna av varje alternativ innan du väljer.
Hantera saknade värden
Detta är det vanligaste problemet, och det finns ingen universallösning: rätt strategi beror på vad det tomma utrymmet betyder i ditt sammanhang. Ett saknat belopp är inte samma sak som en saknad e-postadress.
Att radera ofullständiga rader fungerar när saknad data är sparsam och okritisk. En e-postkampanj har ingen nytta av en kontakt utan adress: den raden går inte att rädda.
Delete all rows where the "email" column is empty.
Att fylla med ett standardvärde är meningsfullt när du känner till det logiska värdet. Om ditt företag endast verkar i Frankrike och landsfältet var valfritt betyder frånvaro “Frankrike”; ett tomt belopp på en rabattrad betyder noll, inte “okänt”.
Replace missing values in "country" with "France"
and those in "amount" with 0.
Slutligen passar interpolering för tidsserier och kontinuerlig data, där ett nollvärde skulle skapa ett artificiellt glapp i kurvan.
For missing values in "monthly_revenue", use the average
of the previous and following months for the same customer.
Ta bort dubbletter
Dubbletter snedvrider all nedströms statistik: att räkna en kund dubbelt fördubplar deras bidrag till intäkterna och blåser upp deras ranking artificiellt. Du måste dock först definiera vad som utgör en dubblett, eftersom två order från samma kund samma dag kan vara legitima.
Identify and remove duplicates based on the columns
"customer_name" and "order_date". Keep the first occurrence.
Be ChatGPT visa de berörda raderna innan du tar bort dem, och ta dig tid att granska dem: det är precis då du ser om du raderar en äkta importdubblett eller en genuin andra order.
Standardisera format
Datum är den första hindret. En fil matad från flera källor innehåller ofta “15/03/2026”, “2026-03-15” och “15 March 2026”, vilket pandas inte kan sortera tillsammans: din månadskurva förblir tyst tills detta är löst.
Convert all dates in the "purchase_date" column
to YYYY-MM-DD format and flag those that cannot be converted.
Text ställer till med mer lömska svårigheter eftersom den förblir läsbar för det mänskliga ögat. “Paris”, “PARIS” och “paris” räknas som tre distinkta städer; ett efterföljande mellanslag efter “Lyon ” skapar en fjärde; “Saint-Étienne” kontra “St Etienne” delar upp din regionala försäljning på två rader, varav ingen är korrekt.
Normalize the "city" column: capitalize the first letter,
remove extra spaces, and group variants
(Saint/St, missing hyphens).
Slutligen ankommer siffror ofta formaterade för visning snarare än beräkning. Så länge kolumnen innehåller “1,250.50 €” är ingen summering möjlig.
The "price" column contains values like "1,250.50 €".
Convert it to a decimal number (1250.50) and remove the euro symbol.
Skapa nya kolumner
Transformering handlar inte bara om att fixa; det handlar om att berika. En datumkolumn blir en kvartalsaxel för att jämföra perioder; en beloppskolumn blir ett kommersiellt segment användbart i dina 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 genererar motsvarande pandas-kod, använder pd.cut() eller logiska villkor, och kör den. Kontrollera sedan den resulterande fördelningen: om 90 % av dina kunder hamnar i “Small” är dina tröskelvärden dåligt kalibrerade och segmenteringen lär dig ingenting.
Exportera städad data
När städningen är klar hämtar du den rena filen. Nedladdningsknappen, placerad uppe till höger i en tabell producerad av ChatGPT, sparar den i CSV-format. För ett specifikt format, be om det:
Export the cleaned DataFrame as CSV (UTF-8, semicolon separator)
so I can download it.
Öppna sedan filen i ditt kalkylprogramsvara och jämför antalet rader med originalet: du går därifrån med en fil som är användbar på andra ställen – Excel, BI-verktyg, nästa session – utan att behöva göra om allt nästa vecka. Arbeta alltid på en kopia och behåll originalfilen intakt så att du kan återgå om det behövs.
Din tur
Din första städning.
- Importera en kopia av en riktig fil och begär en kvalitetsgranskning
- Hantera saknade värden kolumn för kolumn, baserat på vad det tomma utrymmet betyder
- Definiera vad som utgör en dubblett, granska de berörda raderna och ta sedan bort dem
- Standardisera datum, städer och belopp
- Ladda ner den städade filen och jämför antalet rader med originalet
Officiella källor: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)
Viktiga punkter
- Inled alltid med en kvalitetsgranskning innan du analyserar
- ChatGPT hanterar saknade värden, dubbletter och inkonsekventa format på några få meddelanden
- Verifiera systematiskt mellanresultat – be om en förhandsgranskning efter varje operation
- Exportera den städade filen för att återanvända den i andra verktyg vid behov
- Python-koden är synlig: du kan kopiera och återanvända den i dina egna skript