Clase de datos padre

La clase de datos padre se utiliza para organizar la clase de datos en relaciones padre/hijo. También actúa como una especie de "prefiltro" si se utiliza un método de datos de coincidencia automática: si una clase de datos padre tiene un método de datos coincidente, los métodos de coincidencia de datos para las clases de datos hijo solo se evaluarán si el método de coincidencia de datos para la clase de datos padre ha devuelto una coincidencia positiva. Esto significa que si define una clase de datos padre, esto afecta a los criterios que utiliza el proceso de clasificación de datos para decidir si la clase de datos se debe asignar o no a un campo de datos analizado.

Umbral

Este campo representa la confianza mínima que debe tener un candidato de clase de datos en una columna para que esa clase de datos se asigne realmente a la columna. Por ejemplo: supongamos que define el umbral de una clase en el 90 %. Durante el análisis, una columna coincide con la clase de datos con una confianza del 95 %, y otra columna coincide con una confianza del 89 %. Puesto que el umbral es del 90 %, la clase de datos solo se asignará a la primera columna.

Reduzca el umbral cuando desee que se produzca la asignación de clase de datos incluso si no todos los datos coinciden con la clase de datos. Puede hacerlo si la calidad de los datos no es perfecta, y también en los casos en los que sabe que la definición de método coincidente no cubre el 100 % de todo el dominio de todos los valores posibles. Un buen ejemplo es un clasificador para detectar nombres de ciudades. No resulta práctico definir una lista exacta de valores que contengan todos los nombres de las ciudades del mundo, incluidos los municipios más pequeños. Un enfoque más práctico sería entrar la lista de las 100 ciudades más grandes y reducir el umbral para reflejar el hecho de que no se espera que todos los valores de una columna sean una de estas 100 ciudades más grandes, sino que una clasificación debería ser positiva incluso si se encuentran valores suficientes (<100 %) en esa lista de las 100 ciudades más grandes.

El establecimiento de un umbral es opcional. Para el enriquecimiento de metadatos, se utiliza el umbral definido a nivel de proyecto si no establece un umbral en la clase de datos directamente. Un umbral establecido en la clase de datos siempre tiene prioridad sobre el valor del proyecto. Consulte Valores de asignación de clases de datos.

Las siguientes clases de datos predefinidas tienen un umbral predeterminado establecido en la definición de clase de datos:

Prioridad

La prioridad de la clase de datos determina el orden en el que las clases de datos candidatas deben convertirse en la clase de datos inferida. Solo se asignarán las clases de datos con una confianza por encima del umbral de confianza. Cuando los datos coincidan con varias clases de datos, se asignará la que tenga la prioridad más alta y una confianza por encima del umbral de confianza.

Algunas clases de datos predefinidas tienen un conjunto de prioridades. De lo contrario, la prioridad predeterminada es 10 para las clases de datos predefinidas con el ámbito coincidente valor. Para las clases de datos con el ámbito coincidente columna, la prioridad predeterminada es 0. Para que una clase de datos personalizada tenga prioridad sobre una clase de datos predefinida, debe definirse con una prioridad más alta.

Coincidencia con una lista de valores válidos

Cuando se comparan datos con una lista de valores válidos, se crea una lista de valores válidos que clasifican los datos en el nivel de los valores de una columna de la base de datos. Debe proporcionar los valores uno a uno manualmente, por lo que se recomienda este método para un pequeño conjunto de valores. Para listas más largas, puede utilizar el método Coincidir con datos de referencia .

En la sección Coincidencia con lista de valores válidos, especifique una lista de valores válidos.

Criterios de coincidencia de texto:

Distingue entre mayúsculas y minúsculas

Si selecciona esta opción, solo los valores con las mismas mayúsculas y minúsculas que los valores válidos especificados se clasifican como coincidentes con la clase de datos. Si no se selecciona, se omiten las mayúsculas y minúsculas.

Espaciado exacto

Si selecciona esta opción, solo las coincidencias exactas se clasifican de forma positiva. Si no se selecciona, varios caracteres de espacio en blanco se contraen en un solo espacio antes de comparar los valores válidos con los valores que se comparan. Por ejemplo, si el valor válido es New York y el valor que se compara es New York, el valor que se compara se clasifica como coincidente, aunque haya varios caracteres de espacio en blanco en el valor válido, como en el caso de New York. No obstante, si el valor probado es NewYork sin un espacio, el valor probado se clasifica como no coincidente.

Palabras completas

Si selecciona esta opción, solo las coincidencias exactas se clasifican de forma positiva. Si no se selecciona, los valores que se encuentran como una subserie se también clasifican como coincidentes con la clase de datos. Por ejemplo, si el valor válido es Paris y el valor que se compara es Parisienne moonlight, el valor que se compara se clasifica como coincidente.

A continuación, especifique el porcentaje de valores de datos coincidentes necesarios para asignar esta clase de datos.

Comparación con datos de referencia

Cuando compara datos en un conjunto de datos de referencia, selecciona un conjunto de datos de referencia para clasificar los datos en el nivel de los valores de una columna de base de datos. Un conjunto de datos de referencia como mínimo consta de las columnas siguientes:

• Código
• Valor

Tenga en cuenta que este método coincidente utiliza la columna de código en el conjunto de datos de referencia para determinar la clase de datos.

Archivo CSV de ejemplo con un ejemplo de códigos de país:

code,value
"AND","Andorra"
"ARE","United Arab Emirates"
"AFG","Afghanistan"
"ATG","Antigua And Barbuda"
"AIA","Anguilla"
"ALB","Albania"
"ARM","Armenia"
...

Los códigos de este ejemplo, como AND, ARE, AFG, se pueden utilizar para determinar la clase de datos.

Comparación con criterios de una expresión regular

Se utiliza una expresión regular para determinar si cada valor de columna de una base de datos pertenece a la clase de datos.

Cuando se realiza la comparación con criterios en una expresión regular, se crea una expresión regular que clasifica los datos en el nivel de los valores de una columna de la base de datos. La expresión regular debe utilizar el formato JavaScript.

La expresión regular se aplica a los activos de datos con una estructura clara, por ejemplo, bases de datos, tablas o columnas.

Puede copiar y pegar cualquiera de los siguientes ejemplos de expresiones regulares en Criterios de nombre de columna. A continuación, especifique un nombre de columna para probar la expresión regular. También puede seleccionar el tipo de datos y la longitud del valor de datos.

[0-9]{3}-[0-9]{2}-[0-9]{4}

\(?[0-9]{3}\)?[-. ]?[0-9]{3}[-. ]?[0-9]{4}

<tns:DataClass id="DOB" name="%DOB.name" description="%DOB.description" provider="IBM" example="12-30-2015">
            <tns:JavaClassifier
                className="com.ibm.infosphere.classification.impl.DOBClassifier" />:
<tns:ColumnNameFilter>
                <tns:ColumnNameRegularExpression><![CDATA[dob$|birth(day)?|geburtsdatum|na(issance|cimiento|scita)|urodzenia|(生ま(れた日)?|誕生日)|出生(年月)?]]></tns:ColumnNameRegularExpression>
            </tns:ColumnNameFilter>
</tns:DataClass>

Otros criterios de coincidencia

La coincidencia se basa en criterios sobre el nombre, el tipo de datos de la columna o ambos. No hay criterios adicionales para evaluar los valores de la columna. Este criterio se aplica sobre el método de coincidencia seleccionado inicialmente.

Puede especificar una expresión regular para definir nombres de columna coincidentes y proporcionar un nombre de columna de ejemplo para la prueba. El tipo de datos de columna puede tener cualquier tipo, booleano, fecha o número. También puede definir la longitud mínima y máxima del valor de los datos.

^Order$

Más información

• Detalles de clases de datos predefinidas
• Perfiles de activos
• Creación de un enriquecimiento de metadatos
• Muestras deIBM Knowledge Catalog Repositorio GitHub

Tema principal: Clases de datos