CSV-Statistik und Datenprofil

Bevor du eine Spalte addierst oder einen Export verknüpfst, solltest du fehlende Werte, Vielfalt und tatsächliche Schreibweisen kennen. Das CSV-Profil untersucht jede Spalte und liefert eine beschreibende Diagnose statt einer automatischen Reparatur. Es trennt vorhandene Zellen von fehlenden Angaben und berechnet Kennzahlen aus numerisch interpretierbaren Werten. Eine nur aus Ziffern bestehende Kennung kann als Zahl erkannt werden, ohne eine sinnvoll addierbare Menge zu sein. Die fachliche Auswertung bleibt daher für die nächste Transformation unverzichtbar. Ein plausibler Mittelwert beweist nicht, dass alle ursprünglichen Datensätze gültig waren oder in die Berechnung eingingen.

Der Leser erkennt Komma, Semikolon, Tabulator oder senkrechten Strich und beachtet zitierte Felder einschließlich mehrzeiliger Zellen. Kopfzeilen sind zunächst aktiviert. Ohne sie entstehen allgemeine Spaltennamen, und der erste Datensatz liefert Daten. Jede Spalte wird gesondert untersucht. Fehlende Felder, leere Zellen und reine Leerzeichenwerte gelten als fehlend. Der Anteil bezieht sich auf sämtliche Datenzeilen, während die Anzahl vorhandener Werte diese Ausfälle ausschließt. Eine aktive Kopfzeile gehört nicht zur untersuchten Datenpopulation.

Unterschiedliche Werte zählen verschiedene ausgefüllte Schreibweisen, nicht nur einmal vorkommende Werte. Großschreibung, Leerzeichen nicht leerer Zellen und Zahlenschreibweisen beeinflussen daher die Kardinalität. Die Berechnung erkennt dagegen Dezimalpunkt oder Dezimalkomma und gültige Tausenderleerzeichen. Nicht numerische Anmerkungen werden nie zu null gezwungen. Leer, Zahl, boolesch, Datum, Text und gemischt sind aus Zellen abgeleitete Typen. Sie helfen bei der Kontrolle, ersetzen jedoch keine vollständige Datumsprüfung oder Prüfung deines erwarteten Schemas. Auch eine numerisch wirkende Referenz kann weiterhin eine Kennung sein.

Minimum, Maximum, Summe, Mittelwert, Median und Standardabweichung verwenden nur lesbare Zahlen. Der Median sortiert diese Werte und wählt die Mitte beziehungsweise den Mittelwert beider mittleren Werte. Die Standardabweichung verwendet die Populationskonvention mit n statt n − 1 als Nenner. Ein numerischer Modus erscheint nur bei wiederholtem Wert; bei mehreren gleich häufigen Modi wird der kleinste angezeigt. Eine einzige Zahl hat Populationsstandardabweichung null. Die Anzeige verwendet je Sprache höchstens vier Nachkommastellen, während intern mit JavaScript-Gleitkommagenauigkeit gerechnet wird.