Estatísticas CSV e perfil de dados

Antes de somar uma coluna ou cruzar uma exportação, é útil conhecer as ausências, a diversidade e as escritas que contém. O perfil CSV examina cada coluna e fornece um diagnóstico descritivo, não uma correção automática. Distingue células presentes de valores em falta e calcula indicadores sobre dados interpretáveis como números. Um identificador composto apenas por algarismos pode assim ser detetado como numérico sem ser uma quantidade que faça sentido somar. A interpretação de negócio continua indispensável para escolher a transformação seguinte; uma média plausível não prova que todos os registos fossem válidos ou participassem no cálculo.

O leitor deteta vírgula, ponto e vírgula, tabulação ou barra vertical e respeita campos entre aspas, incluindo os de várias linhas. O cabeçalho começa ativo; sem ele, criam-se nomes genéricos e o primeiro registo fornece dados. Cada coluna é analisada separadamente. Um campo ausente, uma célula vazia ou apenas com espaços conta como ausente. A percentagem usa todos os registos de dados como denominador, enquanto o número de valores presentes exclui essas ausências. O cabeçalho ativo não pertence à população analisada.

Os valores distintos contam escritas diferentes, não apenas valores que aparecem uma vez. Maiúsculas, espaços em células não vazias e notação numérica podem alterar essa cardinalidade. Os cálculos reconhecem, por outro lado, ponto ou vírgula decimal e espaços de milhares válidos. Uma anotação não numérica nunca é forçada a zero. Os tipos vazio, número, booleano, data, texto e misto são inferidos das células. São pistas práticas, não uma validação completa de datas ou do esquema esperado pela aplicação. Uma referência numérica pode continuar a ser um identificador.

Mínimo, máximo, soma, média, mediana e desvio-padrão usam apenas números convertíveis. A mediana ordena os valores e toma o central ou a média dos dois centrais. O desvio-padrão é de população: divide por n e não por n − 1. A moda numérica só aparece se um valor se repetir; havendo várias modas, mostra-se a menor. Um único número tem desvio-padrão populacional zero. Apresentam-se no máximo quatro casas decimais segundo a língua, embora o cálculo use precisão de vírgula flutuante JavaScript.