Työskentely Raakatuodun Datan Kanssa

Todellisessa työelämässä harvoin luodaan tietoaineistoja alusta alkaen Excelissä. Useimmiten käsiteltävä data tulee ulkoisista lähteistä — CSV-tiedostoista, järjestelmien raporteista tai verkkosivuilta kopioidusta tiedosta. Tämän tyyppistä dataa kutsutaan raaka-aineistoksi, ja se on yksi Excelin yleisimmistä ongelmien lähteistä.

Keskeinen ongelma on, että Excel ei aina tunnista tuodun datan rakennetta ja tietotyyppejä oikein. Vaikka kaikki näyttäisi visuaalisesti olevan kunnossa, data voi olla "likaista" jo heti avattaessa tai liitettäessä.

Esimerkiksi CSV-tiedostoa avattaessa Excel päättää automaattisesti, miten kukin sarake tulkitaan. Joskus arvaus osuu oikeaan, mutta usein ei. Numerot voivat muuttua tekstiksi, päivämäärät voivat tulkintua väärin alueasetuksista riippuen, ja osa arvoista voi menettää alkuperäisen muotonsa.

Kopiointi ja liittäminen aiheuttaa omat ongelmansa. Solujen alkuun tai loppuun ilmestyy usein ylimääräisiä välilyöntejä, näkymättömiä merkkejä voi tulla mukaan ja muotoilu voi muuttua epäyhtenäiseksi. Verkkosivuilta kopioitu data on erityisen ongelmallista, koska siinä voi olla mukana piilotettuja HTML-merkkejä, joita ei näy Excelissä.

Keskeinen huomio

Raaka-aineistoon ei tule koskaan luottaa suoraan. Ennen käyttöä on aina oletettava, että muodot voivat olla epäyhtenäisiä ja arvot tulkittuja väärin.

Ensimmäinen vaihe ei ole analysointi — vaan datan tarkistaminen ja valmistelu.