Contenus :

• Importance de la qualité des données ;
• Dimensions de la qualité :
• exactitude ;
• complétude ;
• cohérence ;
• validité ;
• unicité ;
• actualité ;
• Importation d’un jeu de données ;
• Examen des dimensions du jeu de données ;
• Inspection des noms de variables ;
• Vérification des types et des formats ;
• Identification des valeurs manquantes ;
• Représentation des valeurs manquantes dans les fichiers ;
• Distinction entre valeur absente, valeur nulle et valeur non applicable ;
• Principes élémentaires de traitement des valeurs manquantes :
• suppression d’observations ;
• suppression de variables ;
• remplacement par une mesure centrale ;
• création d’une catégorie spécifique ;
• Limites des méthodes simples d’imputation ;
• Détection et suppression des doublons ;
• Identification des erreurs de saisie ;
• Détection des valeurs impossibles ;
• Harmonisation des libellés et des catégories ;
• Conversion des unités ;
• Traitement des dates et des heures ;
• Recodage des variables qualitatives ;
• Création de variables dérivées ;
• Transformation de variables ;
• Détection des valeurs atypiques ;
• Utilisation des quartiles et de l’écart interquartile ;
• Distinction entre valeur atypique valide et erreur ;
• Effets possibles de la suppression des observations ;
• Traçabilité des transformations ;
• Conservation d’une copie des données brutes ;
• Élaboration d’un rapport de qualité des données.

Objectifs pédagogiques :

• Examiner méthodiquement un jeu de données ;
• Identifier les problèmes de qualité ;
• Détecter les valeurs manquantes ;
• Sélectionner un traitement adapté aux données manquantes ;
• Identifier et traiter les doublons ;
• Corriger les formats et les unités incohérents ;
• Détecter les erreurs et les valeurs impossibles ;
• Recoder correctement les variables qualitatives ;
• Créer des variables dérivées pertinentes ;
• Identifier les observations atypiques ;
• Justifier la conservation ou l’exclusion d’une observation ;
• Documenter les opérations de nettoyage ;
• Produire un jeu de données cohérent et exploitable ; 
• Préserver l’intégrité des données brutes.