รายงานวิเคราะห์ข้อมูล ThaiEDA

สร้างโดย ThaiEDA v2.0.0 · 150 จำนวนแถว × 7 จำนวนคอลัมน์

วิธีอ่านรายงานนี้: เริ่มจากบทสรุปด้านบน แล้วดูสิ่งที่ควรทำก่อน แล้วค่อยเจาะรายละเอียดแต่ละคอลัมน์

ประเภทข้อมูลที่ตรวจพบ

ข้อมูลทะเบียน/มาสเตอร์

ข้อมูลนี้เป็นรายการ entity พร้อมคุณลักษณะ ควรเน้นความครบถ้วนและความไม่ซ้ำของระเบียน

ภาษาข้อมูลที่ตรวจพบ ผสม (ไทย + อังกฤษ)

ผลกระทบต่อการวิเคราะห์: ข้อมูลผสมไทย+อังกฤษ ควรตรวจคุณภาพและทำความสะอาดทั้งสองภาษา

ควรดูอะไรเป็นพิเศษ

ตรวจ completeness ของ attribute สำคัญ
ตรวจ uniqueness ของรหัส/คีย์หลัก
ดู category distribution เพื่อหา master data ที่ผิดรูปแบบหรือกระจุกตัว
ตรวจทั้งกติกาภาษาไทยและอังกฤษ เพราะข้อมูลมีสองภาษา
แยกคอลัมน์ไทย/อังกฤษก่อนทำ text analytics หรือ tokenization
ตรวจ พ.ศ., เลขไทย, encoding และรูปแบบวันที่ทั้งสองภาษา

คำแนะนำเฉพาะข้อมูลไทย

ตรวจทั้งกติกาภาษาไทยและอังกฤษ เพราะข้อมูลมีสองภาษา
แยกคอลัมน์ไทย/อังกฤษก่อนทำ text analytics หรือ tokenization
ตรวจ พ.ศ., เลขไทย, encoding และรูปแบบวันที่ทั้งสองภาษา

2. สำคัญที่สุด

🟡 เตือน email

email ใช้ข้อความแทนค่าว่าง — ควรแปลงเป็น missing จริง เพื่อให้รายงานและโมเดลตีความถูก

Found 50 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN

ผลกระทบ 33.3%

🟡 เตือน gender

gender ใช้ข้อความแทนค่าว่าง — ควรแปลงเป็น missing จริง เพื่อให้รายงานและโมเดลตีความถูก

Found 18 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN

ผลกระทบ 12.0%

🟡 เตือน signup_source

signup_source ใช้ข้อความแทนค่าว่าง — ควรแปลงเป็น missing จริง เพื่อให้รายงานและโมเดลตีความถูก

Found 14 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN

ผลกระทบ 9.3%

🟡 เตือน thai_id

แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')

Column is 80% numeric but 30 value(s) (20.0%) are non-numeric strings.

ผลกระทบ 20.0%

🟡 เตือน fullname

ใช้การ normalize ข้อความ (เช่น pythainlp.util.normalize) ก่อนวิเคราะห์

Text normalization issues found (repeated-char spam). These cause duplicate-looking but unequal strings.

ผลกระทบ 0.67%

บทสรุปผู้บริหาร

ข้อมูลใช้ต่อได้ แต่ควรตรวจจุดที่เตือนก่อนวิเคราะห์เชิงลึก

ชุดข้อมูลมี 150 แถว × 7 คอลัมน์ พบปัญหาคุณภาพ 4 ข้อ พบความผิดปกติ 2 จุดใน 2 คอลัมน์ ข้อมูลใช้งานได้ แต่ควรตรวจสอบจุดที่เตือนก่อนวิเคราะห์เชิงลึก

มีข้อมูล 150 แถว × 7 คอลัมน์
ค่าว่าง 0.00% ของข้อมูลทั้งหมด
แถวซ้ำ 0 แถว (0.00%)
พบข้อค้นพบที่ควรดู 10 เรื่อง
มี insight เชิงธุรกิจ 1 เรื่อง

สิ่งที่ควรทำก่อน

🟡 เตือน placeholder_values

คอลัมน์ 'email': พบ 50 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN (พบ 50 แถว, 33.3%)

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

🟡 เตือน พบปัญหาการ normalize ข้อความ

คอลัมน์ 'fullname': พบปัญหาการ normalize ข้อความ (repeated-char spam) ทำให้สตริงที่ดูเหมือนกันแต่ไม่เท่ากันจริง (พบ 1 แถว, 0.7%)

แล้วไงต่อ? ใช้การ normalize ข้อความ (เช่น pythainlp.util.normalize) ก่อนวิเคราะห์

🟡 เตือน พบการปนชนิดข้อมูล (ตัวเลข/ข้อความ)

คอลัมน์ 'thai_id': คอลัมน์เป็นตัวเลข 80% แต่มี 30 ค่า (20.0%) ที่เป็นสตริงไม่ใช่ตัวเลข (30 รายการ, 20.0%)

แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')

🟡 เตือน การกระจายเบ้มาก

คอลัมน์ 'age' มีการกระจายเบ้ขวา (หางยาวด้านมาก) (skew=2.56) — ค่าเฉลี่ยอาจไม่สะท้อนค่ากลางที่แท้จริง

แล้วไงต่อ? พิจารณาแปลง 'age' ด้วย log/sqrt/Box-Cox ก่อนวิเคราะห์หรือสร้างโมเดล

🔵 ข้อมูล กลุ่ม 'Organic' โดดเด่นใน 'age' (ตาม 'signup_source')

กลุ่ม 'Organic' มีค่าเฉลี่ย 'age' สูงสุดที่ 287.9 — สูงกว่ากลุ่มรอง 2.4 เท่า (จัดกลุ่มตาม 'signup_source')

แล้วไงต่อ? ตรวจสอบว่าเหตุใดกลุ่ม 'Organic' จึงโดดเด่น และพิจารณาใช้เป็นจุดโฟกัสในการวิเคราะห์/ตัดสินใจ

ภาพรวม

จำนวนแถว

150

จำนวนคอลัมน์

เซลล์ทั้งหมด

1,050

เซลล์ที่ว่าง

0 (0.0%)

แถวซ้ำ

ประเภทคอลัมน์

ตัวระบุ (ID) 2หมวดหมู่ 2ข้อความภาษาไทย 1ตัวเลข 1ข้อความผสม 1

คอลัมน์ที่ควรระวัง

🟡 เตือน email

พบ 50 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

🟡 เตือน thai_id

คอลัมน์เป็นตัวเลข 80% แต่มี 30 ค่า (20.0%) ที่เป็นสตริงไม่ใช่ตัวเลข

🟡 เตือน gender

พบ 18 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

🟡 เตือน signup_source

พบ 14 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

🟡 เตือน fullname

พบปัญหาการ normalize ข้อความ (repeated-char spam) ทำให้สตริงที่ดูเหมือนกันแต่ไม่เท่ากันจริง

🔵 ข้อมูล age

พบค่าผิดปกติเชิงตัวเลข 16 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 2.56) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป

การกระจายและสหสัมพันธ์

แผนภาพกล่อง

กราฟนี้บอกอะไรเรา: จุดที่หลุดจากกล่องคือค่าที่ควรตรวจว่าเป็น outlier จริงหรือไม่

แผนภาพไวโอลิน

กราฟนี้บอกอะไรเรา: ดูรูปทรงการกระจายว่าเบ้ มีหลายกลุ่ม หรือกระจุกตัวตรงไหน

ข้อมูลที่ขาดหาย

✓ ไม่มีข้อมูลที่ขาดหาย

ข้อค้นพบสำคัญ 6 เตือน 4 ข้อมูล

🟡 เตือน คุณภาพ placeholder_values

คอลัมน์ 'email': พบ 50 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN (พบ 50 แถว, 33.3%)

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

🟡 เตือน คุณภาพ placeholder_values

คอลัมน์ 'gender': พบ 18 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN (พบ 18 แถว, 12.0%)

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

🟡 เตือน คุณภาพ placeholder_values

คอลัมน์ 'signup_source': พบ 14 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN (พบ 14 แถว, 9.3%)

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

🟡 เตือน คุณภาพ พบปัญหาการ normalize ข้อความ

แล้วไงต่อ? ใช้การ normalize ข้อความ (เช่น pythainlp.util.normalize) ก่อนวิเคราะห์

🟡 เตือน โครงสร้าง พบการปนชนิดข้อมูล (ตัวเลข/ข้อความ)

แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')

🟡 เตือน การกระจาย การกระจายเบ้มาก

แล้วไงต่อ? พิจารณาแปลง 'age' ด้วย log/sqrt/Box-Cox ก่อนวิเคราะห์หรือสร้างโมเดล

🔵 ข้อมูล ความผิดปกติ พบค่าผิดปกติเชิงตัวเลข (outlier)

คอลัมน์ 'age': พบค่าผิดปกติเชิงตัวเลข 16 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 2.56) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป (16 รายการ, 10.7%)

แล้วไงต่อ? ตรวจสอบค่าเหล่านี้ — อาจเป็นการกรอกผิด หน่วยไม่ตรงกัน ค่าสุดขั้วจริง หรือค่าสุดขั้วทางธุรกิจที่ถูกต้อง

🔵 ข้อมูล ข้อความ คอลัมน์ข้อความมีค่าไม่ซ้ำสูง

คอลัมน์ 'fullname' มีค่าไม่ซ้ำ 100% (150 จาก 150 แถว) — อาจเป็น ID หรือข้อความอิสระ ไม่ใช่ตัวแปรหมวดหมู่

แล้วไงต่อ? ตรวจสอบว่าคอลัมน์ 'fullname' ควรใช้เป็น ID/ข้อความอิสระ และไม่นำไปจัดกลุ่ม (groupby) เป็นหมวดหมู่

🔵 ข้อมูล คุณภาพ สรุปการทำความสะอาดข้อมูล

ทำความสะอาดแล้วรวม 143 เซลล์ — handle_missing_values 124 เซลล์, remove_duplicate_rows 10 เซลล์, ลดอักขระซ้ำเกิน 9 เซลล์

แล้วไงต่อ? ตรวจสอบรายละเอียดก่อน/หลังในส่วน 'การทำความสะอาด' ของรายงาน

🔵 ข้อมูล เชิงธุรกิจ กลุ่ม 'Organic' โดดเด่นใน 'age' (ตาม 'signup_source')

ข้อค้นพบจากการวิเคราะห์คอลัมน์ผสม (1)

กลุ่มโดดเด่น กลุ่ม 'Organic' โดดเด่นใน 'age' (ตาม 'signup_source') จัดกลุ่มตาม: signup_source · ตัววัด: age · mean

กราฟนี้บอกอะไรเรา

กลุ่ม	ค่า
Organic	287.91
N/A	120.9
Google	114.81

ปัญหาคุณภาพข้อมูล (4)

🟡 เตือนemail · placeholder_values

จำนวน: 50 (33.3%)

พบ 50 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

ไม่ระบุ

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

ดูเพิ่มเติม

Found 50 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN — Replace placeholder values with NaN before analysis

🟡 เตือนgender · placeholder_values

จำนวน: 18 (12.0%)

พบ 18 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

ไม่ระบุ

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

ดูเพิ่มเติม

Found 18 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN — Replace placeholder values with NaN before analysis

🟡 เตือนsignup_source · placeholder_values

จำนวน: 14 (9.3%)

พบ 14 ค่าที่ใช้แทน NaN ('-', 'N/A', 'ไม่มี') — ควรแปลงเป็น NaN

-N/A

แล้วไงต่อ? แทนที่ค่า placeholder ด้วย NaN ก่อนวิเคราะห์ (ใช้ coerce_numeric_column หรือ replace)

ดูเพิ่มเติม

Found 14 placeholder values ('-', 'N/A', 'ไม่มี') that should be NaN — Replace placeholder values with NaN before analysis

🟡 เตือนfullname · normalization

จำนวน: 1 (0.67%)

พบปัญหาการ normalize ข้อความ (repeated-char spam) ทำให้สตริงที่ดูเหมือนกันแต่ไม่เท่ากันจริง

นางสาว สมศรี ใจงาม 111

แล้วไงต่อ? ใช้การ normalize ข้อความ (เช่น pythainlp.util.normalize) ก่อนวิเคราะห์

ดูเพิ่มเติม

Text normalization issues found (repeated-char spam). These cause duplicate-looking but unequal strings. — Apply Unicode normalization (e.g. pythainlp.util.normalize) before analysis.

ความผิดปกติ (2)

🟡 เตือนthai_id · type_mixing รูปแบบ

จำนวน: 30 (20.0%)

คอลัมน์เป็นตัวเลข 80% แต่มี 30 ค่า (20.0%) ที่เป็นสตริงไม่ใช่ตัวเลข

ไม่ระบุไม่ระบุไม่ระบุไม่ระบุไม่ระบุ

แล้วไงต่อ? แปลงเป็นตัวเลขแล้วตรวจค่าที่แปลงไม่ได้ (ค่าแทน เช่น 'N/A', '-')

ดูเพิ่มเติม

Column is 80% numeric but 30 value(s) (20.0%) are non-numeric strings. — Coerce to numeric and inspect non-parseable values (placeholders like 'N/A', '-').

🔵 ข้อมูลage · numeric_outliers เชิงสถิติ

จำนวน: 16 (10.67%)

พบค่าผิดปกติเชิงตัวเลข 16 ค่า ด้วยวิธี modified_z_score (MAD) (ความเบ้ของการกระจาย ≈ 2.56) การกระจายแบบหางยาวมักมีค่าสุดขั้วทางธุรกิจที่ถูกต้อง จึงไม่ใช่ defect ของข้อมูลเสมอไป

999999999999999

ดูเพิ่มเติม

16 numeric outlier(s) detected using the modified_z_score (MAD) method (distribution skew ≈ 2.56). Heavy-tailed distributions often contain valid business extremes; treat this as context, not automatically as a data defect. — Inspect these values; they may be data-entry errors, units mismatch, genuine extremes, or valid business extremes.

การทำความสะอาด (6)

รวมเซลล์ที่เปลี่ยน: 143 · การดำเนินการที่มีผลมากสุด: handle_missing_values (แทน 50 ค่าว่างด้วย 'ไม่ระบุ' — 50)

คอลัมน์	การดำเนินการ	แถวที่ได้รับผลกระทบ	ก่อน → หลัง
(entire df)	remove_duplicate_rows ลบแถวซ้ำ 10 แถว	10
age	handle_missing_values แทน 30 ค่าว่างด้วย 0 (numeric)	30
email	handle_missing_values แทน 50 ค่าว่างด้วย 'ไม่ระบุ'	50
gender	handle_missing_values แทน 14 ค่าว่างด้วย 'ไม่ระบุ'	14
thai_id	handle_missing_values แทน 30 ค่าว่างด้วย 'ไม่ระบุ'	30
customer_id	fix_repeated_chars ลดการซ้ำอักขระที่เกิน 3 ตัว (เช่น 55555 → 555, ๆๆๆ → ๆ)	9	CUST-00001→CUST-0001CUST-00002→CUST-0002CUST-00003→CUST-0003CUST-00004→CUST-0004CUST-00005→CUST-0005

คำแนะนำการทำความสะอาด (0)

✓ ไม่มีคำแนะนำการทำความสะอาด

รายละเอียดคอลัมน์

ส่วนนี้ซ่อนไว้เป็นรายคอลัมน์เพื่อลดความรก เปิดเฉพาะคอลัมน์ที่ต้องการตรวจละเอียด

customer_idตัวระบุ (ID)มีกราฟ

ไม่ว่าง	150
เซลล์ที่ว่าง	0
ไม่ซ้ำ	150

ความถี่ของค่า

ค่าที่พบบ่อย

CUST-0001	1
CUST-0002	1
CUST-0003	1
CUST-0004	1
CUST-0005	1
CUST-0006	1
CUST-0007	1
CUST-0008	1
CUST-0009	1
CUST-00010	1

fullnameข้อความภาษาไทยมีกราฟ

เครื่องมือตัดคำ	pythainlp:newmm	จำนวนอักขระเฉลี่ย	19.78
จำนวนคำเฉลี่ย	6.0	จำนวนอักขระมัธยฐาน	19.5
คำทั้งหมด	900	คำไม่ซ้ำ	159
อักขระน้อยสุด	17	อักขระมากสุด	22

คู่คำที่พบบ่อย: นางสาว สม (75) สม ศรี (75) ศรี ใจ (75) ใจ งาม (75) นาย สม (75) สม ชาย (75) ชาย รัก (75) รัก ดี (75)

คำที่พบบ่อย

การกระจายความยาว

เมฆคำ

ageตัวเลขมีกราฟ

ไม่ว่าง	150
เซลล์ที่ว่าง	0
ไม่ซ้ำ	7
ค่าเฉลี่ย	124.5933
ส่วนเบี่ยงเบนมาตรฐาน	303.4933
ต่ำสุด	0.0
สูงสุด	999.0

การแจกแจง

emailข้อความผสมมีกราฟ

เครื่องมือตัดคำ	pythainlp:newmm	จำนวนอักขระเฉลี่ย	13.85
จำนวนคำเฉลี่ย	2.0	จำนวนอักขระมัธยฐาน	17.0
คำทั้งหมด	300	คำไม่ซ้ำ	103
อักขระน้อยสุด	7	อักขระมากสุด	18

คู่คำที่พบบ่อย: user _1@gmail.com (1) user _2@gmail.com (1) user _4@gmail.com (1) user _5@gmail.com (1) user _7@gmail.com (1) user _8@gmail.com (1) user _10@gmail.com (1) user _11@gmail.com (1)

คำที่พบบ่อย

การกระจายความยาว

เมฆคำ

genderหมวดหมู่มีกราฟ

ไม่ว่าง	150
เซลล์ที่ว่าง	0
ไม่ซ้ำ	4

ความถี่ของค่า

ค่าที่พบบ่อย

หญิง	60
ชาย	53
LGBTQ+	19
ไม่ระบุ	18

signup_sourceหมวดหมู่มีกราฟ

ไม่ว่าง	150
เซลล์ที่ว่าง	0
ไม่ซ้ำ	5

ความถี่ของค่า

ค่าที่พบบ่อย

Facebook	71
Google	54
Organic	11
N/A	10
-	4

thai_idตัวระบุ (ID)มีกราฟ

ไม่ว่าง	150
เซลล์ที่ว่าง	0
ไม่ซ้ำ	9

ความถี่ของค่า

ค่าที่พบบ่อย

ไม่ระบุ	30
1100100234561	15
1100100234562	15
1100100234563	15
1100100234564	15
1100100234566	15
1100100234567	15
1100100234568	15
1100100234569	15