Préparation des données tabulaires pour la description et l’archivage

Organisez les données tabulaires en lignes et en colonnes. Chaque ligne représente un seul enregistrement ou point de données, tandis que les colonnes contiennent des informations relatives à cet enregistrement. Chaque enregistrement ou ligne de l'ensemble de données doit être identifié de manière unique par une ou plusieurs colonnes combinées.

Les données tabulaires doivent être "rectangulaires", chaque ligne ayant le même nombre de colonnes et chaque colonne le même nombre de lignes. Remplissez chaque cellule pouvant contenir des données ; ceci est moins important pour les cellules utilisées pour les commentaires. Pour les données manquantes, utilisez les conventions décrites ci-dessous.

En-têtes de colonnes

Les en-têtes de colonne doivent avoir un sens, sans être trop longs. Ne dupliquez pas les en-têtes de colonne dans un fichier. Tenez compte de la casse lors de la création d'en-têtes de colonne. Utilisez uniquement des caractères alphanumériques, des traits de soulignement ou des traits d'union dans les en-têtes de colonne. Certains programmes s'attendent à ce que le premier caractère soit une lettre, il est donc recommandé de faire commencer les en-têtes de colonne par une lettre. Si possible, indiquez les unités de mesure dans les en-têtes de colonne et précisez également les unités de mesure dans les métadonnées.

Utilisez uniquement la première ligne pour identifier un en-tête de colonne. Les outils d'importation de données peuvent ne pas analyser correctement les en-têtes de colonne qui s'étendent sur plusieurs lignes.

Exemples de bons en-têtes de colonnes :

“max_temp_celsius” - et non “max temp celsius” (avec des espaces)

“airport_faa_code” - et non “airport/faa code” (avec des caractères spéciaux)

Valeurs et formatage des données

• Utilisez des codes ou des noms standard lorsque cela est possible. Les exemples incluent l'utilisation des codes FIPS (Federal Information Processing) pour les entités géographiques et le Système d'information taxonomique intégré (ITIS) pour les noms d'espèces faisant autorité.
• Lors de l'utilisation de codes non standard, une alternative à la définition des codes dans les métadonnées consiste à créer un tableau supplémentaire avec des définitions de code.
• Évitez d'utiliser des caractères spéciaux, tels que des virgules, des points-virgules ou des tabulations dans les données elles-mêmes si le fichier de données est (ou sera exporté vers) un format délimité.
• Ne vous fiez pas au formatage spécial disponible dans les tableurs, tels qu'Excel. Ces programmes peuvent formater automatiquement toutes les données entrées dans une cellule, ce qui peut inclure la suppression des zéros non significatifs ou le reformatage des cellules de date et d'heure ; dans certains cas, cela peut modifier le sens des données. Certaines de ces modifications ramènent la cellule à sa valeur d'origine lors du changement du type de cellule en une valeur littérale "texte" et d'autres non. Changer les types de cellules de "Général" à "Texte" avant la saisie initiale des données peut éviter des problèmes de reformatage involontaires.

Types spéciaux de données - Date/Heure

• Indiquez les informations de date dans un format lisible par les machines, tel que aaaammjj ou aaaa-mm-jj (aaaa : année à quatre chiffres ; mm : mois à deux chiffres ; jj : date à deux chiffres). Indiquez le fuseau horaire (y compris l'heure d'été, le cas échéant) et utilisez la notation 12 heures ou 24 heures dans les métadonnées.
• Vous pouvez également utiliser la norme ISO pour formater les chaînes de date et d'heure. La norme prend en charge les informations de fuseau horaire et utilise la notation 24 heures : aaaammjj ou aaaa-mm-jj pour la date ; hh:mm:ssTZD pour l'heure (hh : heure sur deux chiffres, en nombre d'heures depuis minuit ; mm : minutes sur deux chiffres ; ss : secondes sur deux chiffres ; TZD : indicateur de fuseau horaire, sous la forme +hh:mm ou -hh :mm, ou Z pour désigner UTC, Coordinated Universal Time).

Types particuliers de données - Données manquantes

• Utilisez une méthode standard pour identifier les données manquantes.
  • N'utilisez pas de zéros pour représenter les données manquantes et soyez prudent et cohérent lorsque vous laissez des cellules vides, car cela peut facilement être mal interprété ou entraîner des erreurs de traitement.
  • Selon le logiciel d'analyse utilisé, une alternative consiste à sélectionner un code pour identifier les données manquantes ; utiliser -999 ou -9999 est une convention courante.
• Indiquez le ou les codes des données manquantes dans les métadonnées.
• Lors de l'exportation de données vers un autre format, vérifiez que la convention de données manquantes que vous avez choisie d'utiliser a été systématiquement traduite dans le fichier résultant (par exemple, assurez-vous que les cellules vides n'ont pas été remplies par inadvertance).

OpenRefine (anciennement GoogleRefine) est un outil très utile pour explorer, nettoyer, éditer et transformer des données. Des opérations avancées peuvent être effectuées sur les données à l'aide de GREL (OpenRefine Expression Language).