Ik voer data cleaning, deduplicatie en formatting uit op rommelige data bestanden

Ja, en dat is het grootste deel van het werk bij een typische opdracht. Verschillende kolomnamen, verschillende datumnotaties, overlappende rijen en één bestand met een extra kolom die niemand heeft gedocumenteerd. Ik map ze naar één schema en vertel je welke rijen van waar komen.

Nee. Boven de 50.000 rijen gaat het werk uit een spreadsheet en naar Python en Pandas, wat sneller en herhaalbaar is in plaats van trager. Half miljoen rijen is een gewone klus. Stuur een voorbeeld en ik bevestig de prijs voordat je bestelt.

Jij vertelt het me, en dat is het deel waarover je het beste kunt overeenkomen voordat ik begin. Exacte overeenkomsten zijn makkelijk. Het nuttige werk is fuzzy matching: Acme Ltd tegen ACME Limited, hetzelfde adres op vier manieren geschreven, twee records die alleen verschillen in witruimte. Ik laat je de matches zien voordat ik ze samenvoeg.

Ja, elke opdracht krijgt een changelog: rijen ingelezen, rijen uit, wat is samengevoegd, wat is verwijderd en waarom, en welke velden gestandaardiseerd zijn. Je zou niet hoeven te vertrouwen op een schoon bestand. Je moet het kunnen controleren.

Inbegrepen in Standard en Premium, in Python, met commentaar, zodat je het kunt draaien op de export van volgende maand zonder opnieuw te bestellen. Basic levert alleen het schoongemaakte bestand, wat de juiste keuze is als dit echt een eenmalige klus is.

Ja, en dat is een veelvoorkomend probleem. Mojibake door de verkeerde encoding, HTML-entiteiten in tekstvelden, losse witruimte en nieuwe regels binnen cellen, nummers opgeslagen als tekst met valuta-symbolen eraan vast. Stuur een voorbeeld en ik vertel je wat te herstellen is.

Samenvattingstabellen, pivots en grafieken zitten in Standard en Premium, en ze zijn handig om de schoonmaak te controleren. Als je echt statistisch werk of modellering nodig hebt, is dat een andere klus en ik verwijs je liever door dan dat ik het adequaat doe.

Ja, als een geplande pipeline in plaats van een herhaalde opdracht: het bestand komt binnen, het script draait, de schoongemaakte versie verschijnt waar je het nodig hebt. Dat is mijn data pipeline dienst, niet deze. Stuur me een bericht en ik stuur je de link in plaats van je twaalf keer te laten betalen.

Vertel het me voordat je het verstuurt. Ik kan er mee werken, en ik zal de bronbestanden verwijderen na levering op verzoek, maar ik weet liever vooraf dat er namen en adressen in staan dan dat ik ze vind in een bestand waarvan ik dat niet had verwacht. Pseudoniem of gesamplede data is prima voor de scope.

Stuur eerst het bestand of een sample ervan. Sommige klussen lijken simpel en vereisen fuzzy matching over drie bronnen; andere lijken eng en zijn één find-and-replace. Ik vertel je welke prijslaag het is, of geef een offerte op maat, voordat je iets betaalt.