Podklady pro předchozí úkol, tj.
kalorické hodnoty sladkých nápojů, jsem získávala přímo v
supermarketu a následně jsem je přenesla do počítače. Sice si
mohu být jistá jejich správností, ale byl to příliš zdlouhavý
proces. Nyní jsme začali pracovat s již zpracovanými hodnotami
získanými z těchto stránek.
Spolužáci z uvedených stránek všechna
data vytáhli a my jsme tak dostali rozsáhlou databázi potravin a
jejich kalorických hodnot.
Získaná data však ještě nebyla ve
stavu, abychom s nimi mohli pracovat. Museli jsme je vyčistit v Google refine. Zde jsou nejdůležitější pokyny jak na
to:
Dříve než z otevřeného souboru v
Google refine vytvoříme projekt, zadáme Character encoding na
UTF-8, tím se nám text bude zobrazovat správně v českém jazyce.
Nepotřebné sloupce odstraníme –
Edit column – remove this column.
Některé hodnoty máme uváděné v gramech – pro odstranění písmena „g“ – Edit cells – transform – replace(value," g","").
Následně potřebujeme sjednotit
hodnoty, které jsou jinak zapsané, ale ve skutečnosti jsou stejné
(například „-“ a „0“). U příslušného sloupce vyberu Facet – text facet – v levém
okně vyberu hodnotu „-“ u ní vyberu edit a změním na 0.
Změnit čárku mezi čísly na tečku – Edit cells – transform – replace(value,",",".")
Převést hodnoty ve sloupcích na číselné hodnoty – Edit cells – common transforms – to
numbers (čísla se obarví na zeleno).
U sloupce Unit je potřeba sjednotit
hodnoty, které jsou stejné – Facet – text facet – Cluster –
zaškrtnu marge v případě, kdy hodnoty vyjadřují to samé. U možnosti Keying Function můžu vybrat fingerprint nebo
ngram-fingerprint. Fingerprint funguje tak, že jednotlivá písmena
(či číslice) v názvu jsou seřazena podle abecedy (či podle
hodnoty) a tedy názvy, u kterých je toto seřazení stejné, jsou
vyhodnoceny jako potenciálně totožné. V ngram-fingerprint jsou
hodnoty vyhodnocovány na základě opakovaného sledu po sobě
jdoucích slov (či čísel a slov). Můžeme zvýšit Ngram Size,
abychom od sebe některé hodnoty rozlišili.
Pro vymazání toho, s čím nechceme
dále pracovat (v našem případě vše, co není nealkoholický nápoj) – Facet – text facet – contains(value,"Nápoje
nealkoholické") – dojde k přeměnění hodnot na true a false.
Facet – text facet – vyberu vše false
a následně to vymažu ve sloupci All – edit rows – remove all
matching rows.
