Nettoyer : colonnes, valeurs manquantes, doublons, formats

Le nettoyage tient en trois nœuds enchaînés derrière le CSV Reader.

1. Column Filter : garder les colonnes utiles

Connecté au CSV Reader, il ne conserve que les colonnes pertinentes. L'énoncé en garde sept : genre, espece, hauteur_m, circonference_cm, stade_developpement, adresse, arrondissement.

2. Missing Value : traiter les valeurs manquantes

• Numériques (hauteur_m, circonference_cm) : choisir une imputation appropriée, par exemple la moyenne ou la médiane.
• Catégorielles (stade_developpement) : remplacer par une valeur par défaut ou laisser vide, selon l'analyse souhaitée.

(hors cours) Choisir entre moyenne et médiane : la médiane résiste aux valeurs extrêmes (un arbre exceptionnellement haut tire la moyenne vers le haut), la moyenne est plus sensible. L'énoncé laisse le choix.

3. Duplicate Row Filter : supprimer les doublons

Connecté au Missing Value. On sélectionne les colonnes qui définissent l'unicité d'un arbre : adresse, genre, espece. On choisit de conserver la première occurrence : les lignes suivantes qui ont les mêmes valeurs sur ces colonnes sont écartées.

Et les formats ?

L'objectif pédagogique cite la normalisation des formats, mais l'énoncé ne détaille pas de nœud dédié. (hors cours) Concrètement : harmoniser la casse du texte, convertir les types (texte vers nombre) ou les unités, unifier l'écriture des catégories ; KNIME propose pour cela des nœuds tels que String Manipulation ou String to Number (noms usuels, à vérifier dans ton Node Repository). Ici, le travail de format se limite au choix de l'encodage UTF-8 et du séparateur à l'import.

L'ordre compte : colonnes, puis valeurs manquantes, puis doublons. On retire d'abord le bruit (colonnes inutiles) pour ne traiter que ce qui servira.