सुव्यवस्थित तालिकाएँ और गायब मान

वास्तविक डेटा अव्यवस्थित होता है। कुछ भी गणना करने से पहले, जाँचो कि तालिका में क्या है। कुछ आम समस्याएँ:

• मिश्रित इकाइयाँ। एक कॉलम मिलीमीटर में और दूसरा सेंटीमीटर में, या एक ही कॉलम में दोनों का मिश्रण। 1999 में NASA ने Mars Climate Orbiter खो दिया, जिसका मुख्य कारण यह था कि एक टीम के सॉफ़्टवेयर ने किसी मात्रा को इम्पीरियल इकाइयों में दिया, जबकि दूसरी टीम ने मीट्रिक इकाइयों की अपेक्षा की थी। तालिका तुम्हें चेतावनी नहीं दे सकती; तुम्हें इकाइयाँ पढ़नी होंगी।
• वर्तनी और फ़ॉर्मैट। "Adelie", "adelie" और "Adelie " (अंत में एक स्पेस के साथ) कंप्यूटर के लिए तीन समूहों जैसे दिखते हैं। 03/04/2024 के रूप में लिखी तारीखें अलग-अलग देशों में अलग-अलग दिनों का मतलब रखती हैं।
• असंभव मान। शरीर का द्रव्यमान 0 g, 2 000 mm का फ़्लिपर, 2099 का वर्ष। कभी-कभी यह टाइपिंग की गलती होती है, तो कभी "अज्ञात" के लिए रखा गया मान।
• डुप्लिकेट। एक ही इकाई को दो बार दर्ज करना, जिससे वह दो बार गिनी जाती है।

सबसे आम समस्या गायब मान हैं, जिन्हें आमतौर पर NA ("उपलब्ध नहीं") लिखा जाता है। पेंगुइन की तालिका में भी ये हैं, और इनसे एक अच्छी सीख मिलती है:

• तालिका में 344 पंक्तियाँ हैं।
• दो पंक्तियों (पंक्ति 4 और 272) में हर मापन गायब है: पक्षी सूची में दिए गए हैं, उनकी प्रजाति और द्वीप भी दर्ज हैं, लेकिन चोंच, फ़्लिपर या द्रव्यमान के कोई मान नहीं हैं।
• नौ और पंक्तियों में मापन हैं, लेकिन लिंग नहीं है। कुल मिलाकर, 11 पंक्तियों में लिंग की जानकारी नहीं है।
• इसलिए 342 पक्षियों का शरीर का द्रव्यमान दर्ज है, और 333 का रिकॉर्ड पूरा है।

पेंगुइन के मापन पाल्मर पेंगुइन डेटा सेट से हैं: 2007, 2008 और 2009 में अंटार्कटिका के पाल्मर स्टेशन पर मापे गए 344 पक्षी (Gorman, Williams और Fraser, 2014), जिन्हें सार्वजनिक डोमेन (CC0) में साझा किया गया है।

लापता मानों के बारे में आपको क्या करना चाहिए? ईमानदार जवाब है: "यह इस बात पर निर्भर करता है कि वे क्यों लापता हैं"। अगर कुछ मान ऐसी वजहों से लापता हैं जिनका आपके अध्ययन से कोई संबंध नहीं है, जैसे कि तराज़ू की विद्युत कोश खत्म हो गई हो, तो उन पंक्तियों को हटा देने से बहुत कम बदलाव आता है। लेकिन अगर लापता मान व्यवस्थित ढंग से गायब हैं, तो उन्हें हटाने से जवाब बदल जाता है। कल्पना करो (यह एक बनाया हुआ उदाहरण है) कि सबसे भारी पक्षियों का वज़न करना बहुत मुश्किल था। अगर तुम लापता वज़न वाली पंक्तियाँ हटा दोगे, तो तुम्हारा औसत असली मान से कम होगा। तुमने जो पंक्तियाँ हटाईं, वे यादृच्छिक नहीं थीं, इसलिए जो पंक्तियाँ बचीं, वे सामान्य नहीं हैं।

कुछ आदतें तुम्हारी मदद करती हैं:

• पहले देखो। पंक्तियाँ गिनो, हर कॉलम की सीमा जाँचो और श्रेणियों की सूची बनाओ। चौंकाने वाले मान संकेत देते हैं।
• बिना बताए कभी मत हटाओ। अगर तुम पंक्तियाँ हटाते हो, तो बताओ कि कौन-सी और क्यों। "हमने पूरे रिकॉर्ड वाले 333 पेंगुइनों का विश्लेषण किया" ईमानदार बात है। बिना वजह बताई गई छोटी संख्या ईमानदार नहीं है।
• मूल डेटा संभालकर रखो। डेटा की एक कॉपी पर काम करो, ताकि तुम हमेशा वापस जा सको।
• डेटा शब्दकोश पढ़ो। डेटा शब्दकोश (कोडबुक) बताता है कि हर कॉलम का क्या अर्थ है, उसकी इकाइयाँ क्या हैं, लापता मानों को कैसे लिखा गया है और डेटा किसने इकट्ठा किया। पेंगुइनों के लिए यह बताता है कि शरीर का द्रव्यमान ग्राम में है और चोंच के मापन मिलीमीटर में हैं। इसके बिना संख्याएँ बस संख्याएँ हैं।
• मापन की त्रुटि याद रखो। हर मापन में कुछ त्रुटि होती है: जैसे किसी ने स्केल को थोड़ा अलग ढंग से पढ़ा हो या कोई पक्षी स्थिर न रहा हो। छोटी त्रुटियाँ सामान्य हैं; डेटा में बदलाव होने का यह एक कारण है।