Introducere

Folosind date publice, vom efectua o analiză asupra parcului auto din România.

Sursă date

Au fost preluate de pe http://date.gov.ro/, o inițiativă de publicare a datelor publice, într-un format deschis, fără restricții copyright. O inițiativă demnă de lăudat.

Datele cuprind situația parcului auto din România la data de 31 Decembrie 2013.

Curățenie

Având 202 400 înregistrări și probabil exportate dintr-un sistem de evidență, e de așteptat ca datele să nu fie perfecte.

După cum se poate observa, multe modele identice sunt scrise într-un mod diferit.

Deoarece cantitatea de date este substanțială, prelucrarea manuală ar dura foarte mult.

Recurgem astfel la Google Refine, un soft creat special pentru curățat date.

Nu voi reda aici pașii urmați pentru prelucrare deoarece există documentație suficientă pe pagina proiectului; puteți totuși urmări o mică demonstrație asupra ce se poate face.

Import în PostgreSQL

Pentru realizarea statisticilor mai ușor, vom importa CSV-ul curățat într-o bază de date.

În continuare am folosit PostgreSQL, deoarece mi se pare cel mai accesibil.

Structură tabelă

CREATE TABLE parc_auto (  
  JUDET varchar,  
  CATEGORIE_NATIONALA varchar,  
  CATEGORIA_COMUNITARA varchar,  
  MARCA varchar,  
  DESCRIERE_COMERCIALA varchar,  
  TOTAL integer  
);

Import din CSV

COPY parc_auto FROM '/tmp/parc-auto-2013-clean.csv' DELIMITER ',' CSV HEADER;

Statistici

Top 10 producători

Tabel top 100 producători

SQL

select marca, sum(total) as suma from parc_auto group by marca order by suma desc limit 100;

Top 10 modele

Tabel top 100 modele

SQL

select marca, descriere_comerciala, sum(total) as suma from parc_auto where descriere_comerciala is not null group by marca, descriere_comerciala order by suma desc limit 100;

Top județe

SQL

select judet, sum(total) as suma from parc_auto group by judet order by suma desc;

Total vehicule în evidență

5 985 085