7.5. Configuration et utilisation d’une transformation

Perspective « Transformations » .
Palette des transformations disponibles : cliquer pour sélectionner une transformation.

Prudence

Lorsque des filtres sont positionnés lors de l’exécution d’une transformation, cette transformation s’applique uniquement sur les enregistrements du jeu de données qui sont acceptés par le filtre.

Zone d’aide décrivant ce que fait la transformation (elle peut être masquée en cliquant sur le bouton ‘-‘ en haut à gauche de cette zone).
Liste des champs sur lesquels s’appliquera la transformation (il est possible de sélectionner plusieurs champs avec les touches Maj ou Ctrl) ainsi que l’ensemble des options disponibles pour la transformation courante.
Le bouton Appliquer permet d’appliquer la transformation courante au jeu de données. Le bouton Prévisualiser permet d’avoir un aperçu des modifications qu’apportera la transformation courante.

7.6. Accès rapide aux transformations

Le Navigateur de champs permet un accès rapide à certaines transformations couramment utilisées. Pour invoquer ces transformations, il suffit d’effectuer un clic droit sur le ou les champs sélectionnés dans le Navigateur de champs :

Astuce

Le menu contextuel du Navigateur de champs permet également de positionner des filtres sur le ou les champs sélectionnés.

7.7. Visualisation des modifications apportées par une transformation

La Fenêtre de visualisation des modifications apportées par une transformation se présente comme suit :

Les changements sont répartis selon 5 critères :

Champ d’entrée (en blanc).

Champ modifié (en beige).

Valeur modifiée (en jaune).

Champ créé (en bleu).

Champ supprimé (en gris).

La visualisation des modifications apportées par une transformation est disponible à 2 endroits :

Depuis la zone de configuration de n’importe quelle transformation, donc avant l’application de ladite transformation, à l’aide du bouton Prévisualiser :

Depuis la zone Historique des transformations, donc après l’application de transformation, à l’aide du bouton :

7.8. Transformations sur les champs

7.8.1. Ajouter un champ

Créer un nouveau champ, vide par défaut. En renseignant la valeur par défaut, il est possible d’affecter une valeur commune à toutes les cellules.

La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Ajouter un champ

Avant la transformation :

ID	Nom	Âge
1	Alice	30
2	Bob	25

Configuration de la transformation :

Nom de la nouvelle colonne : « Localisation »
Type de colonne : « Texte »
Valeur par défaut : « Inconnue »

Après la transformation :

ID	Nom	Âge	Localisation
1	Alice	30	Inconnue
2	Bob	25	Inconnue

Dans cet exemple, la transformation ajoute une nouvelle colonne nommée « Localisation » au jeu de données. Chaque ligne est enrichie avec la valeur par défaut « Inconnue » dans cette nouvelle colonne.

7.8.2. Concaténer des champs

Créer un nouveau champ qui est le résultat de la concaténation de plusieurs champs existants.

La transformation s’applique sur plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Concaténer des champs

Avant la transformation :

Prénom	Nom	DateDeNaissance
John	Doe	1990-01-01
Jane	Smith	1985-05-23

Configuration de la transformation :

Colonnes cibles : Prénom, Nom, DateDeNaissance
Nom de la nouvelle colonne : NomComplet
Texte de jointure : » «
Concaténer les valeurs manquantes : true
Supprimer les colonnes concaténées : true

Après la transformation :

NomComplet
John Doe 1990-01-01
Jane Smith 1985-05-23

Dans cet exemple, la transformation prend les valeurs des colonnes Prénom, Nom et DateDeNaissance pour les fusionner dans une nouvelle colonne appelée NomComplet. Chaque élément est séparé par un espace, fournissant un format clair et lisible qui regroupe les informations essentielles dans une seule colonne. Comme prévu, les colonnes initiales ont été supprimées après la concaténation.

7.8.3. Copier un champ

Créer un nouveau champ qui est la copie d’un champ existant.

La transformation s’applique sur un unique champ.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Copier un champ

Avant la transformation :

ID	Nom	Âge
1	Alice	30
2	Bob	25
3	Carol	28

Configuration de la transformation :

Colonne source : Âge
Colonne cible : Copie_Âge

Après la transformation :

ID	Nom	Âge	Copie_Âge
1	Alice	30	30
2	Bob	25	25
3	Carol	28	28

Dans cet exemple, la transformation a permis de créer une nouvelle colonne nommée Copie_Âge contenant les mêmes données que la colonne Âge. Cela permet de manipuler ou d’analyser les âges sans altérer les données d’origine.

7.8.4. Diviser un champ

Scinder un champ en plusieurs champs en utilisant un ou plusieurs séparateur(s).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Diviser un champ

Avant Transformation :

NomComplet
Jane Doe
John Smith Jr
Alice Johnson

Configuration de Transformation :

Colonne Cible : “NomComplet”
Motif de Séparation : Espace (” “)
Nombre Fixe de Colonnes de Sortie : 3

Après Transformation :

NomComplet	NomComplet.split	NomComplet.split_1
Jane	Doe
John	Smith	Jr
Alice	Johnson

7.8.5. Fusionner des champs

Compléter les valeurs manquantes du premier champ avec la première valeur rencontrée parmi les autres champs sélectionnés.

La transformation s’applique sur plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Fusionner des champs

Avant Transformation :

FirstName	MiddleName
John	Patrick
	Audrey
Bob	Gerald

Configuration de la Transformation :

Colonnes Sources : « FirstName », « MiddleName »
Supprimer les Colonnes Fusionnées : true

Après Transformation :

FirstName
John
Audrey
Bob

Dans cet exemple, on peut observer que sur la deuxième ligne, puisque la colonne « FirstName » est vide, c’est la valeur « Audrey » provenant de la colonne « MiddleName » qui a été conservée et placée dans la colonne fusionnée (ici « FirstName »).

7.8.6. Modifier le type d’un champ

Changer ou forcer le type d’un champ (e.g. passer le type d’un champ de numérique à texte).

La transformation s’applique sur un ou plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Modifier le type d’un champ

Avant la transformation :

ID	Nom	Date de Naissance
1	Alice	« 1985-04-12 »
2	Bob	« 1990-08-23 »

Configuration de la transformation :

Colonne ciblée : Date de Naissance
Nouveau type de données : Date (à partir de chaîne de caractères)

Après la transformation :

ID	Nom	Date de Naissance
1	Alice	1985-04-12T00:00:00
2	Bob	1990-08-23T00:00:00

Dans cet exemple, la colonne « Date de Naissance » était initialement stockée sous forme de chaînes de caractères. La configuration de la transformation précise que cette colonne doit être convertie en type Date. Après l’application de la transformation, la colonne affiche désormais des dates (au lieu de chaînes), avec un format conforme au type Date.

7.8.7. Remplir les valeurs vides

Remplir les valeurs manquantes d”un ou plusieurs champs avec la dernière valeur non vide rencontrée.

Exemple visuel :

Date	Forecast
11/05/2019	800
12/05/2019
13/05/2019
21/05/2019	950
22/05/2019
23/05/2019

Après application de la transformation, on obtient la table suivante :

Date	Forecast
11/05/2019	800
12/05/2019	800
13/05/2019	800
21/05/2019	950
22/05/2019	950
23/05/2019	950

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Remplir les valeurs vides

Avant Transformation :

Considérons le jeu de données suivant représentant les données de ventes. Le jeu de données contient des valeurs manquantes dans les colonnes « Montant des Ventes » et « Nom du Client ».

Date	Montant des Ventes	Nom du Client	Région
2024-01-01	100	John Doe	Nord
2024-01-02			Nord
2024-01-03	200	Jane Smith	Est
2024-01-04			Est
2024-01-05			Ouest
2024-01-06	300	Mike Johnson	Ouest
2024-01-07			Sud

Configuration de la Transformation :

Colonnes Cibles : « Montant des Ventes », « Nom du Client »
Filtres : Aucun (s’applique à toutes les lignes)

Après Transformation :

Le jeu de données transformé remplit les valeurs manquantes de « Montant des Ventes » et « Nom du Client » avec les dernières valeurs observées :

Date	Montant des Ventes	Nom du Client	Région
2024-01-02	100	John Doe	Nord
2024-01-01	100	John Doe	Nord
2024-01-03	200	Jane Smith	Est
2024-01-04	200	Jane Smith	Est
2024-01-05	200	Jane Smith	Ouest
2024-01-06	300	Mike Johnson	Ouest
2024-01-07	300	Mike Johnson	Sud

Dans cet exemple, les valeurs manquantes dans « Montant des Ventes » et « Nom du Client » ont été remplacées par les valeurs les plus récentes disponibles provenant des lignes précédentes. Cela permet de compléter le jeu de données sans valeurs manquantes ou vides, facilitant ainsi une meilleure analyse et prise de décision.

7.8.8. Renommer une colonne

Modifier le nom d’un champ.

La transformation s’applique sur un unique champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Renommer une colonne

Avant Transformation :

ProductID	ProductName	Price	Quantity
001	Apple	0.50	100
002	Banana	0.30	150
003	Cherry	1.20	200

Configuration de Transformation :

Colonne Cible : « ProductName »
Nouveau Nom de Champ : « ItemName »

Après Transformation :

ProductID	ItemName	Price	Quantity
001	Apple	0.50	100
002	Banana	0.30	150
003	Cherry	1.20	200

7.8.9. Renommer plusieurs colonnes

Modifier le nom de plusieurs champs différents.

Note

Exemple pratique : Renommer plusieurs colonnes

Avant Transformation

Considérons un jeu de données avec les colonnes et données suivantes :

ID	First_Name	Last_Name	Age	City
1	John	Doe	28	New York
2	Jane	Smith	34	Los Angeles
3	Alice	Johnson	45	Chicago

Configuration de Transformation

Pour cet exemple, la configuration suivante est choisie pour renommer les colonnes :

Renommage automatique : Ajouter un suffixe « _X »

Après Transformation

ID	First_Name_X	Last_Name_X	Age_X	City_X
1	John	Doe	28	New York
2	Jane	Smith	34	Los Angeles
3	Alice	Johnson	45	Chicago

7.8.10. Réordonner les champs

Réordonner les champs d’un jeu de données.

La transformation s’applique sur plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Réordonner les champs

Avant Transformation :

CustomerID	OrderDate	ProductName	Quantity	Price
101	2024-01-01	Widget A	10	2.50
102	2024-01-02	Widget B	5	5.00
103	2024-01-03	Widget C	2	7.50

Configuration de Transformation :

Ordre des Colonnes Souhaité : ProductName, Quantity, Price, OrderDate, CustomerID

Après Transformation :

ProductName	Quantity	Price	OrderDate	CustomerID
Widget A	10	2.50	2024-01-01	101
Widget B	5	5.00	2024-01-02	102
Widget C	2	7.50	2024-01-03	103

7.8.11. Supprimer un champ

Supprimer un ou plusieurs champs.

La transformation s’applique sur un ou plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Supprimer un champ

Avant Transformation :

ID Employé	Nom	Âge	Département
001	Alice	30	RH
002	Bob	24	Marketing
003	Carol	29	Développement

Configuration de la Transformation :

Colonnes Cibles : « Âge », « Département »

Après Transformation :

ID Employé	Nom
001	Alice
002	Bob
003	Carol

7.8.12. Transposer des champs en enregistrements

Transposer les valeurs des champs sélectionnés en un enregistrement par champ. Par exemple, pour le jeu de données ci-après :

Country Name	1960	1961
Afghanistan	414.371	491.378
Angola	550.05	454.708
Albania	2024.184	2280.874

Avec les paramètres suivants pour la transformation :

Liste des champs : 1960 and 1961.
Champ cible pour les en-têtes : Year.
Champ cible pour les valeurs : Level.

On obtient le résultat suivant :

Country Name	Year	Level
Afghanistan	1960	414.371
Angola	1960	550.05
Albania	1960	2024.184
Afghanistan	1961	491.378
Angola	1961	454.708
Albania	1961	2280.874

La transformation s’applique sur plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Transposer des champs en enregistrements

Avant Transformation

Considérons un jeu de données représentant les ventes sur différents trimestres pour divers produits :

ID Produit	Ventes T1	Ventes T2	Ventes T3	Ventes T4
101	1500	1800	2000	2100
102	1700	1600	1950	2000
103	1600	1700	1800	1900

Configuration de Transformation

Colonnes à dé-pivoter : Ventes T1, Ventes T2, Ventes T3, Ventes T4
Stratégie de dé-pivotage : Dé-pivoter les colonnes sélectionnées.
Colonne cible pour les en-têtes : Trimestre
Colonne cible pour les valeurs : Ventes

Remarque : Une autre option aurait été de sélectionner la colonne ID Produit et de choisir la stratégie Dé-pivoter toutes les colonnes sauf celles sélectionnées*. Le résultat aurait été identique, avec la possibilité supplémentaire d’ajouter des colonnes à transposer dynamiquement.*

Après Transformation

Le jeu de données après transformation ressemblerait à ceci :

ID Produit	Trimestre	Ventes
101	Ventes T1	1500
101	Ventes T2	1800
101	Ventes T3	2000
101	Ventes T4	2100
102	Ventes T1	1700
102	Ventes T2	1600
102	Ventes T3	1950
102	Ventes T4	2000
103	Ventes T1	1600
103	Ventes T2	1700
103	Ventes T3	1800
103	Ventes T4	1900

Après la transformation, les données de ventes sont mieux structurées pour une analyse temporelle ou une visualisation, où les ventes de chaque produit sont désormais associées à un trimestre spécifique dans une colonne unique, « Trimestre », et au montant des ventes correspondant dans la colonne « Ventes ».

7.8.13. Masquer les données sensibles

Masquer des données sensibles afin d’en préserver la confidentialité.

Plusieurs stratégies de masquage sont disponibles :

Masquage sémantique

Masquage déterministe

Masquer tout

Masquer les n premiers caractères

Préserver les n premiers caractères

Masquer les n derniers caractères

Masquer les caractères entre deux positions

Préserver les caractères entre deux positions

Masquer les chiffres

Il est possible d’utiliser la prévisualisation pour anticiper les résultats de masquage.

La transformation s’applique sur plusieurs champs de type texte.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Masquer les données sensibles

Avant Transformation :

Nom du Client	Adresse Email	Numéro de Téléphone
John Doe	john.doe@example.com	123-456-7890
Jane Smith	jane.smith@example.com	098-765-4321

Configuration de la Transformation :

Colonnes à Masquer : Adresse Email, Numéro de Téléphone
Stratégies de Masquage :
- Adresse Email : Masquer tous les caractères
- Numéro de Téléphone : Conserver les quatre derniers caractères, masquer le reste

Après Transformation :

Nom du Client	Adresse Email	Numéro de Téléphone
John Doe	xxxxxxxxxxxxxxxx	xxx-xxx-7890
Jane Smith	xxxxxxxxxxxxxxxx	xxx-xxx-4321

Dans cet exemple, la transformation masque tous les caractères des adresses email afin de protéger l’identité des utilisateurs, tandis que pour les numéros de téléphone, elle conserve les quatre derniers caractères pour maintenir un certain niveau d’information sans révéler le numéro complet. Cette approche est utile dans les scénarios où des données partielles suffisent pour les tests ou les analyses.

7.9. Transformations sur les enregistrements

7.9.1. Ajouter des identifiants de lignes numériques

Pour configurer la transformation « Ajouter des identifiants numériques de lignes », l’utilisateur doit spécifier plusieurs paramètres :

Nom de la colonne cible : Le nom de la nouvelle colonne à ajouter, qui contiendra la séquence de valeurs entières.

Filtres : Un ensemble de conditions qui déterminent quelles lignes du jeu de données recevront la séquence d’entiers. Les lignes qui ne remplissent pas ces conditions auront une valeur nulle dans la nouvelle colonne.

La transformation commence par créer un identifiant de ligne interne pour chaque ligne du jeu de données à l’aide d’un nombre unique et monotonement croissant. Ensuite, elle applique les filtres spécifiés pour déterminer quelles lignes doivent recevoir un numéro de séquence. Si une ligne satisfait aux conditions des filtres, un numéro de séquence unique lui est attribué dans la nouvelle colonne. Si une ligne ne satisfait pas aux conditions des filtres, la nouvelle colonne pour cette ligne est définie sur null.

Enfin, le jeu de données est trié selon l’identifiant de ligne interne afin de conserver l’ordre d’origine, et la colonne de séquence est ajoutée au jeu de données.

Note

Exemple pratique : Ajouter des identifiants de lignes numériques

Avant Transformation :

ID	Nom	Âge	Pays
1	John	28	USA
2	Maria	34	Canada
3	Lee	23	Chine
4	Anna	45	USA

Configuration de la Transformation :

Nom de la Colonne Cible : SequenceNumber
Filtres : Country = 'USA'

Après Transformation :

ID	Nom	Âge	Pays	SequenceNumber
1	John	28	USA	12
2	Maria	34	Canada	null
3	Lee	23	Chine	null
4	Anna	45	USA	21

Dans cet exemple, la transformation a ajouté une nouvelle colonne, SequenceNumber, au jeu de données. La séquence commence à 0 pour la première ligne qui répond à la condition de filtre (Country = 'USA'). Les lignes qui ne remplissent pas la condition de filtre ont la valeur null dans la colonne SequenceNumber. La transformation conserve l’ordre d’origine du jeu de données et ne modifie le contenu qu’en fonction des paramètres configurés.

7.9.2. Supprimer les lignes filtrées

Supprimer les enregistrements filtrés.

La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Supprimer les lignes filtrées

Avant Transformation :

Supposons que nous ayons le jeu de données suivant :

ID	Nom	Âge	Pays
1	Alice	30	USA
2	Bob	25	Canada
3	Charlie	35	USA
4	David	40	UK
5	Eve	28	Canada

Configuration de la Transformation :

L’utilisateur souhaite supprimer toutes les lignes où la colonne « Pays » a la valeur « USA ».

Condition de Filtrage : Country = « USA »

Après Transformation :

Après avoir appliqué la transformation Supprimer les Lignes Filtrées avec le filtre ci-dessus, le jeu de données résultant serait :

ID	Nom	Âge	Pays
2	Bob	25	Canada
4	David	40	UK
5	Eve	28	Canada

Dans cet exemple, la transformation a supprimé les lignes où la colonne « Pays » était « USA » (lignes avec les ID 1 et 3). Le jeu de données restant ne contient donc que les lignes où le « Pays » est différent de « USA ».

7.9.3. Supprimer des enregistrements vides

Supprimer les enregistrements vides. Un enregistrement vide est un enregistrement dont tous les champs sont vides.

La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Supprimer les lignes vides

Pour illustrer le fonctionnement de la transformation Supprimer les lignes vides, considérons l’exemple suivant :

Avant Transformation :

ID	Nom	Âge	Email
1	John	28	john@example.com
2
3
4
5	Robert	29	robert@example.com

Configuration de la Transformation :

Aucune configuration requise

Après Transformation :

ID	Nom	Âge	Email
1	John	28	john@example.com
5	Robert	29	robert@example.com

Explication :

Les lignes 2, 3 et 4 sont supprimées car elles sont vides.

Après la transformation, le jeu de données ne conserve que les lignes où toutes les colonnes sélectionnées possèdent des valeurs non vides et non nulles, garantissant ainsi que les données restantes sont complètes et valides.

7.10. Transformations de type Texte

7.10.1. Ajouter un préfixe

Ajouter un préfixe aux valeurs du champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Ajouter un préfixe

Avant la transformation :

ID	Nom	Numéro de téléphone
1	John Doe	123456789
2	Jane Smith
3	Bob Brown	987654321

Configuration de la transformation :

Colonne cible : Numéro de téléphone
Préfixe : +1-
Ajouter aux valeurs manquantes : Oui

Après la transformation :

ID	Nom	Numéro de téléphone
1	John Doe	+1-123456789
2	Jane Smith	+1-
3	Bob Brown	+1-987654321

Dans cet exemple, la transformation ajoute le préfixe « +1- » à chaque numéro de téléphone. Pour Jane Smith, qui n’avait pas de numéro à l’origine, le préfixe est tout de même ajouté car l’option « Ajouter aux valeurs manquantes » est activée, ce qui donne « +1- ».

7.10.2. Ajouter un suffixe

Ajouter un suffixe aux valeurs du champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Ajouter un suffixe

Avant la transformation :

ID	Nom	Ville
1	Alice	New York
2	Bob
3	Charlie	Los Angeles

Configuration de la transformation :

Colonne cible : Ville
Suffixe : « - USA »
Ajouter aux valeurs manquantes : Oui

Après la transformation :

ID	Nom	Ville
1	Alice	New York - USA
2	Bob	- USA
3	Charlie	Los Angeles - USA

Dans cet exemple, la transformation ajoute le suffixe « - USA » à chaque valeur de la colonne Ville. Remarquez que même l’entrée vide pour Bob a été modifiée pour inclure le suffixe, ce qui illustre l’effet de l’option activée Ajouter aux valeurs manquantes.

7.10.3. Attribuer une valeur aux cellules

Attribuer une même valeur à l’ensemble des cellules d’un champ. Si la nouvelle valeur est vide, le contenu des cellules est effacé.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Attribuer une valeur aux cellules

Avant Transformation :

ID	Nom	Statut
1	Alice	Actif
2	Bob	Inactif
3	Charlie	Actif

Configuration de la Transformation :

Colonne Cible : Statut
Nouvelle Valeur : En attente de révision

Après Transformation :

ID	Nom	Statut
1	Alice	En attente de révision
2	Bob	En attente de révision
3	Charlie	En attente de révision

Dans cet exemple, la transformation a été configurée pour mettre à jour la colonne « Statut » de tous les enregistrements avec la valeur « En attente de révision ». Cela peut être utile dans des cas où un processus de révision est requis pour tous les membres, indépendamment de leur statut initial. La transformation garantit que le statut de chaque enregistrement est mis à jour de manière uniforme, facilitant ainsi un processus de révision cohérent.

7.10.4. Capitalisation

Mettre en lettre capitale le premier caractère de chaque mot de chaque cellule du ou des champs sélectionnés. Peut s’appliquer uniquement sur le premier mot en utilisant l’option Premier mot uniquement.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre une sélection en lettre capitale

Avant la transformation :

ID	Description	Catégorie
1	APPLE PIE FROM STORE	bakery items
2	fresh orange JUICE	beverages
3	chocolate Bar	confectionery

Configuration de la transformation :

Colonnes sélectionnées : Description, Catégorie
Type de mise en majuscule : Mettre la première lettre de chaque mot en majuscule

Après la transformation :

ID	Description	Catégorie
1	Apple Pie From Store	Bakery Items
2	Fresh Orange Juice	Beverages
3	Chocolate Bar	Confectionery

Dans cet exemple, la transformation est configurée pour mettre en majuscule la première lettre de chaque mot dans les colonnes “Description” et “Catégorie”. Après l’application de la transformation, tous les mots commencent par une majuscule, ce qui améliore l’apparence du texte et le rend plus formel et lisible.

7.10.5. Compléter à droite

Compléter à droite les cellules du champ sélectionné avec une chaîne de caractères donnée.

Exemple visuel :

Étant donné une cellule bcd, avec une chaîne de complétion a et une longueur de 4, donnera bcda.

Étant donné une cellule bcda, avec une chaîne de complétion a et une longueur de 4, donnera bcda.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Compléter à droite

Avant Transformation :

ID	Nom	Ville
1	Alice	New York
2	Bob	LA
3	Clara	San Diego

Configuration de Transformation :

Colonne ciblée : Ville
Caractère de remplissage : « * »
Taille du remplissage : 9

Après Transformation :

ID	Nom	Ville
1	Alice	`New York*`
2	Bob	`LA*******`
3	Clara	`San Diego`

7.10.6. Compléter à gauche

Compléter à gauche les cellules du champ sélectionné avec une chaîne de caractères donnée.

Exemple visuel :

Étant donné une cellule bcd, avec une chaîne de complétion a et une longueur de 4, donnera abcd.
Étant donné une cellule abcd, avec une chaîne de complétion a et une longueur de 4, donnera abcd.
La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Compléter à gauche

Avant Transformation :

ID	Name	Description
1	Alice	Manager
2	Bob	Assistant
3	Charlie	Regional Manager

Configuration de la Transformation :

Colonne Cible : Description
Caractère de Remplissage : « * »
Taille : 20

Après Transformation :

ID	Name	Description
1	Alice	`*************Manager`
2	Bob	`***********Assistant`
3	Charlie	`****Regional Manager`

Dans cet exemple, la colonne Description a été transformée pour garantir que chaque entrée fasse exactement 20 caractères, en utilisant des astérisques pour compléter les descriptions plus courtes. Ce formatage est particulièrement utile pour générer des rapports ou aligner les données dans des sorties lisibles.

7.10.7. Conversion en minuscule

Convertir tous les caractères de chaque cellule du champ sélectionné en lettres minuscules.

Exemple visuel : « CONTENU d’une Cellule » devient « contenu d’une cellule ».

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Conversion en minuscule

Avant Transformation :

ID	Name	Email
1	Alice	ALICE@EXAMPLE.COM
2	Bob	Bob@Example.com
3	Charlie	CHARLIE@example.COM

Configuration de la Transformation :

Colonnes Cibles : Name, Email

Après Transformation :

ID	Name	Email
1	alice	alice@example.com
2	bob	bob@example.com
3	charlie	charlie@example.com

7.10.8. Conversion en majuscule

Convertir tous les caractères de chaque cellule du champ sélectionné en lettres majuscules.

Exemple visuel : « CONTENU d’une Cellule » devient « CONTENU D’UNE CELLULE ».

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Conversion en majuscule

Avant Transformation :

ID	Nom	Ville
1	John Doe	new york
2	Jane Smith	los angeles

Configuration de Transformation :

Colonnes cibles : Nom, Ville

Après Transformation :

ID	Nom	Ville
1	JOHN DOE	NEW YORK
2	JANE SMITH	LOS ANGELES

7.10.9. Conversion depuis des entités HTML

Convertir les entités HTML de chaque cellule du champ sélectionné sous la forme d’un caractère.

Par exemple :

Entité HTML devient Entité HTML.

Entité HTML devient Entité HTML.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Conversion depuis des entités HTML

Avant Transformation :

ID	Description
1	`<div>Hello World</div>`
2	`Welcome to &#x27;My Site&#x27;`

Configuration de Transformation :

Colonnes cibles : Description

Après Transformation :

ID	Description
1	`<div>Hello World</div>`
2	`Welcome to 'My Site'`

Dans cet exemple, la transformation décode les entités HTML dans la colonne « Description » pour restituer leur forme lisible. Par exemple, « <div> » devient « <div> » et « &#x27; » devient l’apostrophe simple « “ ».

7.10.10. Conversion vers des entités HTML

Convertir les caractères éligibles de chaque cellule du champ sélectionné vers leur forme d’entité HTML.

Par exemple : Entité HTML devient Entité HTML.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Conversion vers des entités HTML

Avant Transformation :

Nom	Description
John Doe	`Developer <dev@example.com>`
Jane Smith	`Manager & Mentor`

Configuration de la Transformation :

Colonnes cibles : Description

Après Transformation :

Nom	Description
John Doe	`Developer <dev@example.com>`
Jane Smith	`Manager & Mentor`

Dans cet exemple, la colonne Description contient des caractères sensibles en HTML comme <, > et &. La transformation remplace ces caractères par leurs entités HTML équivalentes (<, > et &) afin d’éviter qu’ils ne soient interprétés comme des balises ou entités HTML lorsqu’ils sont affichés dans un environnement web. Cela garantit que le texte s’affiche exactement tel qu’il a été saisi.

7.10.11. Convertir les points de code Unicode en caractères

Convertir les points de code Unicode [7] en caractères (glyphes) pour chacun des champs sélectionnés.

Exemple visuel :

Biblioth\\u00E8que deviendra Bibliothèque.

Mus\\ u00E9e deviendra Musée.

Informations complémentaires :

Unicode sur Wikipédia.

Point de code Unicode sur Wikipédia.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Convertir les points de code Unicode en caractères

Avant Transformation :

ID	Description
1	\u0048ello
2	World\u0021
3	\u0047ood \u004Dorning

Configuration de Transformation :

Colonnes cibles : [“Description”]

Après Transformation :

ID	Description
1	Hello
2	World!
3	Good Morning

Dans cet exemple, la transformation décode les séquences Unicode dans la colonne « Description » afin de les convertir en texte lisible. Par exemple, « \u0048 » devient « H » et « \u0021 » devient « ! ».

7.10.12. Normaliser les espaces

Supprimer les espaces consécutifs (ou tout caractère apparenté à un espace : tabulations, retour chariot, etc.) pour les remplacer par un seul espace (caractère ASCII n°10).

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Normaliser les espaces

Avant Transformation :

ID	Description	Prix
1	Pomme, fruit frais	$1.50
2	Banane, fruit tropical	$0.50
3	Carotte, légume	$0.30

Configuration de la Transformation :

Colonnes Cibles : Description
Supprimer les espaces en début et fin : true

Après Transformation :

ID	Description	Prix
1	Pomme, fruit frais	$1.50
2	Banane, fruit tropical	$0.50
3	Carotte, légume	$0.30

Dans cet exemple, la transformation a été appliquée à la colonne “Description”. Les espaces superflus en début et fin de chaîne ont été supprimés, assurant un contenu propre et homogène.

7.10.13. Rechercher / Remplacer

Effectuer une opération de rechercher / remplacer, soit en utilisant du texte simple, soit une expression régulière. Cette opération fonctionne pour tous les types de champs ainsi que pour les valeurs non reconnues.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Rechercher / Remplacer

Avant Transformation :

ID	Statut
1	Nouveau Fichier
2	En Revue
3	Approuvé
4	NouveauFichier

Configuration de la Transformation :

Colonne Cible : Statut
Trouver : « Nouveau »
Remplacer par : « Ouvert »
Mode de remplacement : Mot entier
Sensible à la casse : Oui

Après Transformation :

ID	Statut
1	Ouvert Fichier
2	En Revue
3	Approuvé
4	NouveauFichier

Dans cet exemple, la transformation cible la colonne « Statut ». La valeur « Nouveau » est remplacée par « Ouvert ». Notez que dans la quatrième ligne, NouveauFichier reste inchangé. Cela est dû au fait que le mode de remplacement est défini sur Mot entier et que le texte « Nouveau » est inclus dans le mot « NouveauFichier ».

7.10.14. Reconnaître la langue

Reconnaître la langue de chacune des cellules du champ sélectionné. La langue reconnue est stockée dans un nouveau champ. Les formats de la langue disponibles sont :

Code sur 2 lettres. Par exemple : en, fr, de, … [8]

Code sur 3 lettres (ISO 639-2). Par exemple : eng, fra, deu, … [9]

Nom localisé de la langue. Par exemple : français, anglais pour la Locale français; French, English pour la Locale anglais.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Reconnaître la langue

Avant Transformation :

Record ID	Description
1	Bonjour, comment ça va?
2	Good morning, how are you?
3	Guten Morgen, wie geht es?

Configuration de la Transformation :

Colonne Cible : Description
Format de Langue : Nom de la langue localisée
Localiser le nom de la langue en : Anglais
Ajouter la Confiance : Oui

Après Transformation :

Record ID	Description	Description.language	Description.confiance
1	Bonjour, comment ça va?	French	0.97
2	Good morning, how are you?	English	0.99
3	Guten Morgen, wie geht es?	German	0.99

Dans cet exemple, la transformation identifie avec précision la langue de chaque entrée textuelle et fournit un score de confiance reflétant la certitude de cette détection. Cela permet d’améliorer les analyses et traitements des données en fonction de critères spécifiques à chaque langue.

7.10.15. Supprimer le code HTML

Supprimer les balises HTML, remplace les entités HTML et les entités Unicode par leur équivalent texte pour les champs sélectionnés.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Supprimer le code HTML

Avant Transformation :

ID	Description	Price
1	`<b>Special</b> offer on <i>shoes & gloves</i>`	$50
2	`Buy <a href="link">this item</a> now!`	$30
3	`<p>New stock</p> available <br> in store`	$20

Configuration de la Transformation :

Colonnes Cibles : Description

Après Transformation :

ID	Description	Price
1	Special offer on shoes & gloves	$50
2	Buy this item now!	$30
3	New stock available in store	$20

Dans cet exemple, la transformation est appliquée à la colonne Description de chaque ligne. Les balises HTML telles que <b>, <i>, <a href="...">, <p>, et <br> sont supprimées, ne laissant que le texte brut.

7.10.16. Supprimer les diacritiques

Supprimer tous les diacritiques [10] de chaque cellule du champ sélectionné. Les accents font partie des diacritiques.

Sont considérés comme diacritiques les caractères appartenant aux catégories Unicode :

LM LETTER, Modifier.

SK SYMBOL, Modifier.

MN MARK, Nonspacing.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Supprimer les diacritiques

Avant Transformation :

ID	Nom	Ville
1	José Álvarez	São Paulo
2	Zoë Kravitz	Zürich
3	François Père	Strasbourg

Configuration de la Transformation :

Colonnes Cibles : Nom, Ville

Après Transformation :

ID	Nom	Ville
1	Jose Alvarez	Sao Paulo
2	Zoe Kravitz	Zurich
3	Francois Pere	Strasbourg

7.10.17. Suppression des espaces en début et fin

Supprimer les espaces ou tout caractère apparenté (tabulations, retour chariot, etc.) au début et à la fin d’un texte.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Suppression des espaces en début et fin

Avant Transformation :

ID	Nom	Email
1	John Doe	johndoe@xyz.com
2	Jane Smith	janesmith@abc.com
3	Bob Lee	boblee@def.com

Configuration de Transformation :

Colonnes cibles : Nom, Email

Après Transformation :

ID	Nom	Email
1	John Doe	johndoe@xyz.com
2	Jane Smith	janesmith@abc.com
3	Bob Lee	boblee@def.com

Dans cet exemple, la transformation supprime les espaces supplémentaires éventuels au début et à la fin des valeurs des colonnes « Nom » et « Email », garantissant ainsi que les données soient propres et uniformément formatées dans l’ensemble du jeu de données.

7.10.18. Supprimer des caractères indésirables

L’objectif de la transformation Supprimer les caractères indésirables est de nettoyer et de normaliser les données au sein d’un jeu de données en supprimant ou en modifiant certains caractères selon des règles spécifiques. Cela permet de garantir que les données soient uniformes et exemptes de caractères indésirables.

Note

Exemple pratique : Supprimer des caractères indésirables

Avant Transformation :

ID	Nom	Adresse
1	Jöhn Döe	123 Sträßé Blvd
2	Jane Smith	456 Road St.
3	Alice O’Hara	789 Avénue Ct.

Configuration de Transformation :

Colonnes Ciblées : Name, Adresse
Supprimer les signes de ponctuation et symboles : Oui
Supprimer les diacritiques : Oui
Supprimer toutes les lettres : Non
Supprimer tous les chiffres : Non
Convertir les multiples espaces en un seul caractère espace : Oui
Supprimer les espaces en début et fin de chaîne : Oui
Supprimer tous les espaces : Non

Après Transformation :

ID	Nom	Adresse
1	John Doe	123 Strasse Blvd
2	Jane Smith	456 Road St
3	Alice OHara	789 Avenue Ct

7.11. Transformations de type Numérique

7.11.1. Arrondir un décimal

Arrondir un décimal :

Si la stratégie est A l’entier le plus proche, le décimal est arrondi à l’entier le plus proche (2,6 est remplacé par 3 et 2,4 est remplacé par 2).

Si la stratégie est A l’entier supérieur, le décimal est arrondi à l’entier supérieur (2,1 est remplacé par 3).

Si la stratégie est A l’entier inférieur, le décimal est arrondi à l’entier inférieur (2,6 est remplacé par 2).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Arrondir un décimal

Avant Transformation :

ID	Prix
1	23.67
2	89.99
3	100.01
4	55.55

Configuration de Transformation :

Colonne ciblée : Prix
Stratégie d’arrondi : ROUND

Après Transformation :

ID	Prix
1	24
2	90
3	100
4	56

7.11.2. Créer des intervalles de taille fixe

Créer des intervalles de taille fixe à partir d’une colonne numérique.

Exemple visuel :

Exemple :

[0, 10[

[10, 20[

[20, 30[ …

Cette transformation peut être utilisée pour créer, par exemple, des histogrammes (e.g. des diagrammes à barre) à partir de valeurs continues.

Choisir le nom de la colonne numérique à partir de laquelle les intervalles vont être créés.
Choisir le nom de la nouvelle colonne qui contiendra les intervalles.
Préciser la largeur (le « pas ») des intervalles.
Spécifier une borne inférieure pour le premier intervalle et une borne supérieure pour le dernier intervalle. C’est une opération optionnelle. Si une borne inférieure B est précisée, toutes les valeurs inférieures à cette borne seront placées dans l’intervalle ]-∞, B[. Si une borne supérieure B” est précisée, toutes les valeurs supérieures ou égales à cette borne seront placées dans l’intervalle [B”, +∞[.
Cocher l’option pour obtenir une colonne de type texte contenant des intervalles de type [X, Y[ signifiant que la valeur est >= X et < Y.
Cocher l’option pour obtenir deux colonnes de type numérique : la première contenant les bornes inférieures des intervalles (inclusives) et la seconde contenant les bornes supérieures des intervalles (exclusives).

Prévisualisation du résultat :

Note

Exemple pratique : Créer des intervalles de taille fixe

Avant Transformation :

Âge
17
37
45
60
82

Configuration de la Transformation :

Colonne Cible : Âge
Nom de la nouvelle colonne
Pas (Stride) : 20
Valeur Minimale : 20
Valeur Maximale : 80
Générer des Intervalles : True
Générer deux colonnes (Bornes inférieure et supérieure) : True

Après Transformation :

Âge	Intervalles	Bornes_min_inclusive	Bornes_max_exclusive
17	]-∞, 20[		20
37	[20, 40[	20	40
45	[40, 60[	40	60
60	[60, 80[	60	80
82	[80, +∞[	80

Dans ce jeu de données transformé :

La colonne “Intervalles” indique la plage dans laquelle chaque âge se situe.
Les colonnes “Bornes_min_inclusive” et “Bornes_max_exclusive” fournissent les limites numériques précises de ces intervalles.

Cette transformation facilite la catégorisation et l’analyse des données d’âge, notamment à des fins statistiques ou de regroupement.

7.11.3. Convertir des unités de mesure

Convertir des valeurs d’une unité de mesure vers une autre (e.g. convertir des Kilomètres en Miles).

Il est également possible de détecter automatiquement l’unité de mesure source.

La transformation supporte 2 modes de fonctionnement :

Conversion simple : d’un champ numérique vers un champ numérique, éventuellement la même.

Conversion avec reconnaissance automatique de l’unité : d’un champ texte vers un nouveau champ numérique.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Convertir des unités de mesure

Avant Transformation :

Product ID	Longueur (unité=pouces)
001	24
002	36

Configuration de Transformation :

Colonnes à convertir : « Longueur »
Unité source : pouces
Unité cible : centimètres
Convertir vers de nouvelles colonnes : true
Suffixe pour les colonnes créées : « «

Après Transformation :

Product ID	Longueur (unité=pouces)	Longueur.cm
001	24	60.96
002	36	91.44

Dans cet exemple, la transformation convertit la longueur de pouces en centimètres.

Mode d’analyse et de conversion

Pour activer ce mode, vous devez sélectionner l’option Conversion avec reconnaissance automatique de l’unité de mesure.

Colonnes à convertir : Identifiez les colonnes du jeu de données contenant les valeurs à analyser et à convertir. Ces colonnes doivent être de type texte.

Catégorie source : Définissez la catégorie d’unité de mesure correspondant aux valeurs des colonnes (par exemple : Masse, Pression, Volume, Longueur, etc.). Les colonnes sélectionnées sont censées contenir des mesures du même type. Par exemple, vous ne pouvez pas avoir 5Kg (kilos) et 8l (litres) dans la même colonne.

Unité cible : Définissez l’unité vers laquelle les données doivent être converties (cette unité doit être cohérente avec la catégorie source : si vous avez sélectionné la catégorie Pression pour votre colonne, une valeur de 5 kg sera considérée comme une erreur car il s’agit d’une unité de Masse et non de Pression).

Séparateur décimal : Indiquez le séparateur décimal utilisé dans l’expression textuelle de la mesure. Les valeurs possibles sont le point (par défaut) et la virgule. Si vous choisissez la virgule, alors 10.5 kg sera interprété comme le décimal 10.5 avec, comme unité de mesure, le kilogramme.

Ajouter une colonne de diagnostic : Facultativement, ajoutez des colonnes permettant de diagnostiquer et d’enregistrer les éventuelles erreurs ou problèmes survenus pendant le processus de conversion, comme les erreurs d’analyse.

Suffixe pour les colonnes créées : Ajoutez un suffixe aux colonnes générées lors du processus d’analyse et de conversion.

Note

Exemple pratique : Parse and Convert Mode

Avant Transformation :

Product ID	Poids
001	5.3 kg
002	10.2 m²

Configuration de Transformation :

Colonnes à convertir : « Poids »
Catégorie source : Masse
Unité cible : Gramme
Séparateur décimal : point
Ajouter une colonne de diagnostic : true
Suffixe pour les colonnes créées : « Gramme »

Après Transformation :

Product ID	Poids	Poids.Gramme	Poids.Gramme_diagnostic
001	« 5 kg »	5000.0	null
002	« 10 m² »		“m²” n’est pas une unité de mesure de Masse

Dans cet exemple, sur la première ligne, la transformation convertit avec succès le poids de kilogrammes en grammes et enregistre le résultat dans de nouvelles colonnes. Sur la deuxième ligne, la valeur indique une unité de surface (« 10 m² ») et non une unité de masse. La transformation est donc impossible (la colonne « Poids.Gramme » reste vide) et un message d’erreur en précise la raison : 'm²' n'est pas une unité de mesure de Masse.

7.11.4. Extraire des nombres

Extraire des nombres d’un champ de type texte et les insère dans de nouveaux champs.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Extraire des nombres

Avant Transformation :

ID	Description
1	Total: $123,456.78
2	Amount: 98765.43 units
3	Count: 12,000 items

Configuration de la Transformation :

Colonne Cible : “Description”
Type de Colonnes de Sortie : “Décimal”
Nombre Fixe de Colonnes de Sortie : 1
Stratégie de Milliers : “Virgule”
Stratégie Décimale : “Point”

Après Transformation :

ID	Description	Description.number
1	Total: $123,456.78	123456.78
2	Amount: 98765.43 units	98765.43
3	Count: 12,000 items	12000.00

Dans cet exemple, la transformation extrait avec succès la première valeur numérique de la colonne “Description”, interprète correctement les séparateurs de milliers et de décimales en fonction des séparateurs spécifiés, et remplit la nouvelle colonne “Description.number” avec la valeur décimale extraite. Cela permet une analyse plus claire et directe des données numériques précédemment intégrées dans le texte.

7.12. Transformations de type Date

7.12.1. Ajouter la date et l’heure actuelle

Le but de la transformation « Ajouter la date et l’heure actuelles » est d’ajouter une nouvelle colonne à un jeu de données qui enregistre la date et l’heure actuelles au moment de l’application de la transformation. Cela peut être particulièrement utile pour suivre quand les données ont été traitées ou mises à jour.

Fonctionnement :

Pour configurer cette transformation, vous devez spécifier le nom de la nouvelle colonne dans laquelle l’heure actuelle sera enregistrée. Cela se fait en définissant un paramètre qui détermine le nom de la colonne cible. La transformation ajoutera automatiquement cette nouvelle colonne à chaque ligne de votre jeu de données, en la remplissant avec la date et l’heure exactes de l’exécution de la transformation.

Note

Exemple pratique : Ajouter la date et l’heure actuelle

Avant la transformation :

IDCommande	NomClient	Produit	Quantité
001	John Doe	Laptop	1
002	Jane Smith	Tablet	2

Configuration de la transformation :

Vous décidez d’ajouter une colonne nommée « HeureTraitement » pour suivre la date et l’heure de traitement de chaque enregistrement.

Après la transformation :

IDCommande	NomClient	Produit	Quantité	HeureTraitement
001	John Doe	Laptop	1	07/12/2021 10:00 AM
002	Jane Smith	Tablet	2	07/12/2021 10:00 AM

Dans cet exemple, « 07/12/2021 10:00 AM » représente la date et l’heure d’exécution de la transformation. Cette valeur est ajoutée à chaque ligne dans la nouvelle colonne « HeureTraitement ». Important : après l’application de la transformation, toutes les lignes du jeu de données contiendront la même valeur dans la colonne HeureTraitement.

7.12.2. Convertir un nombre entier en date

Convertir un nombre entier en date.

Le nombre en entrée peut représenter la date de façon littérale (e.g. 20190715 = 15 juillet 2019) mais il peut aussi représenter un nombre de jours ou de millisecondes depuis une date d’origine. Par exemple, si vous indiquez que votre nombre vient de Microsoft Excel, 39448 sera converti à la date du 1er janvier 2008 car il y a exactement 39 448 jours entre le 1er janvier 1900 et le 1er janvier 2008.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Convertir un nombre entier en date

Avant Transformation :

ID Employé	Date de Début (Entier)
001	20210101
002	20210523

Configuration de la Transformation :

Colonnes Cibles : Date de Début (Numérique)
Stratégie de Conversion : yyyyMMdd
Modèle de Date Personnalisé : Non utilisé

Après Transformation :

ID Employé	Date de Début (Type Date)
001	2021-01-01
002	2021-05-23

Dans cet exemple, la colonne “Date de Début” qui était au format numérique (entier de type yyyyMMdd) a été convertie en un véritable format date (aaaa-MM-jj). Cela permet de normaliser les dates et de les rendre exploitables pour des opérations de tri, de filtrage ou de calculs temporels.

7.12.3. Extraire une partie d’une date

Extraire une partie d’un champ de type date (Année, Trimestre, Mois, Jour) et l’insère dans un nouveau champ.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Extraire une partie d’une date

Avant Transformation :

ID Employé	Date de Début
1	2023-01-15
2	2024-02-20

Configuration de la Transformation :

Colonne cible : Date de Début
Nom de la nouvelle colonne : Année de Début
Partie de la date à extraire : Année

Après Transformation :

ID Employé	Date de Début	Année de Début
1	2023-01-15	2023
2	2023-02-20	2024

Dans cet exemple, la transformation a été configurée pour extraire la partie “année” de la colonne “Date de Début”. En conséquence, une nouvelle colonne “Année de Début” a été ajoutée au jeu de données, montrant l’année extraite de chaque date de la colonne “Date de Début”. Cela permet une analyse plus facile des données en fonction de l’année.

7.12.4. Formater une date avec un format personnalisé

Formater la date d’un champ de type date en lui appliquant un format personnalisé et l’insère dans un nouveau champ.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Formater une date avec un format personnalisé

Avant Transformation :

ID Enregistrement	Date Originale (type:Date)
1	2023-01-01 13:45:00
2	2023-01-02 14:30:00

Configuration de la Transformation :

Colonne Source : Date Originale
Format de Date : « dd-MM-yyyy »

Après Transformation :

ID Enregistrement	Date Originale (type:Texte)
1	01-01-2023
2	02-01-2023

7.12.5. Formater une date avec un format prédéfini

Formater la date d’un champ de type date en lui appliquant un format prédéfini, et l’insère dans un nouveau champ.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Formater une date avec un format prédéfini

Avant Transformation :

ID Enregistrement	Date Originale (type:Date)
1	2023-01-01 13:45:00
2	2024-01-02 14:30:00

Configuration de la Transformation :

Colonne Source : Date Originale
Format de Date : « Année et trimestre »

Après Transformation :

ID Enregistrement	Date Originale (type:Texte)
1	2023 T1
2	2024 T1

7.12.6. Intervalle de dates

Calculer l’intervalle de dates entre deux champs de type date. Un nouveau champ est créé avec le résultat du calcul, exprimé au choix, en Semaines, Jours, Heures, Minutes, Secondes ou Millisecondes.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Intervalle de dates

Avant Transformation :

ID Commande	Date de Début	Date de Fin
1	2023-01-01 10:00:00	2023-01-02 10:00:00
2	2023-01-01 15:00:00	2023-01-03 11:00:00

Configuration de la Transformation :

Colonnes Cibles : Date de Début, Date de Fin
Unité d’Intervalle : Heures

Après Transformation :

ID Commande	Date de Début	Date de Fin	Intervalle (Heures)
1	2023-01-01 10:00:00	2023-01-02 10:00:00	24
2	2023-01-01 15:00:00	2023-01-03 11:00:00	44

Dans cet exemple, la transformation calcule l’intervalle de temps en heures entre la « Date de Début » et la « Date de Fin » pour chaque commande. Le résultat est une nouvelle colonne « Intervalle (Heures) » ajoutée au jeu de données, indiquant une durée de 24 heures pour la première commande et de 44 heures pour la seconde. Cette transformation permet de visualiser de manière claire et immédiate les intervalles de temps associés à chaque enregistrement.

7.12.7. Reconnaissance de date

Sur un champ de type date, le système va essayer de déchiffrer toutes les cellules non reconnues comme date lors de l’importation en essayant des formats variés et de différents pays (e.g. 2nd March 2015, 2015.03.02, etc.). Les formats retenus sont soumis à la validation de l’utilisateur.

Le premier champ de type date du jeu de données est automatiquement sélectionné (une fois le champ traité, sélectionnez manuellement le suivant).

Le système essaie de trouver le format (e.g. YYY-MM-dd) qui permet de reconnaître le plus grand nombre de dates dans le champ (ce nombre ainsi que le pourcentage associé sont indiqués sous la liste déroulante). Si le format n’est pas reconnu ou si la reconnaissance automatique ne vous convient pas, vous pouvez saisir votre propre format dans la zone .

Zone d’aide pour construire vos propres formats de date.

Prévisualisation du résultat : en vert, les cellules pour lesquelles le format spécifié dans la zone reconnaît la cellule comme une date (la colonne de gauche contient la valeur brute non reconnue à l’importation, celle de droite la date telle que reconnue par le format spécifié dans la zone ).

Bouton Appliquer .

Note

Répéter les étapes 1 à 5 jusqu’à ce que la zone soit entièrement vide (i.e. toutes les cellules sont reconnues).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Reconnaissance de date

Avant Transformation :

ID	Entrée Date
1	2023/03/15
2	March 15, 2023
3	15-03-2023 14:00
4	2023/03/16

Configuration de la Transformation :

Colonne Cible : Entrée Date Tale of Data suggérera successivement les modèles de date suivants :

Le modèle yyyy/MM/dd sera appliqué aux lignes #1 et #4.
Le modèle MMMM d, yyyy sera appliqué à la ligne #2.
Le modèle dd-MM-yyyy HH:mm sera appliqué à la ligne #3.

Après Transformation :

ID	Entrée Date
1	2023-03-15 00:00:00
2	2023-03-15 00:00:00
3	2023-03-15 00:00:00
4	2023-03-16 00:00:00

Dans cet exemple, la Transformation de Reconnaissance de Date parvient à interpréter correctement des formats de dates non standardisés, améliorant ainsi la cohérence et l’utilisabilité du jeu de données pour des analyses et des rapports ultérieurs.

Indication

Pour les formats personnalisés, la très grande majorité du temps il faut utiliser un yyyy si l’on veut désigner une année sur quatre chiffres, plutôt qu’avec des majuscules. En effet: * y représente l’année calendaire (celle que l’on utilise très fréquemment, en pratique) * Y représente l’année « basée sur la semaine » ( »Week Year » en anglais) : les derniers jours de l’année peuvent être, selon que le changement de semaine soit à cheval sur le changement d’année ou non, rattachés à l’année suivante.

Voir ici pour plus de détails : https://en.wikipedia.org/wiki/ISO_8601#Week_dates

7.13. Transformations de regroupement (clustering)

Regrouper des mots / textes ayant une orthographe proche dans un champ donné. Ces regroupements sont créés par des algorithmes mais la décision d’uniformiser le texte des cellules regroupées est laissée à la discrétion de l’utilisateur.

Choix du champ sur lequel on souhaite explorer les regroupements possibles.
Lancer la prévisualisation : les regroupements (clusters) sont calculés pour permettre à l’utilisateur de trancher.
La zone affiche les regroupements trouvés : 1 ligne = 1 regroupement ou « cluster » (e.g. sur la fig. ci-dessus le système indique qu’il a trouvé 3 orthographes voisines pour MONOSPACE et que ce regroupement concerne 48 lignes).
Le bouton Afficher le détail des regroupements (ou un double-clic sur la zone ) permet de passer à la vue Détails qui est celle utilisée pour prendre une décision pour chaque regroupement.

Regroupement de mots d’orthographes voisines . Décocher une ou plusieurs options pour ne pas les inclure dans le regroupement finalisé (= faux-positif).
En sélectionnant une option dans la zone , le système affiche dans la zone les enregistrements correspondants (cela facilite par exemple l’identification de faux-positifs).
Choisir le texte de remplacement pour l’ensemble des orthographes voisines (ou double-cliquer sur une option de la zone pour automatiquement la choisir comme texte de remplacement).
Cliquer sur Accepter puis Suivant permet en une seule opération de confirmer les choix effectués pour le regroupement en cours (i.e. les modalités choisies dans la zone + le texte de remplacement dans la zone ) et de passer au regroupement suivant. Le bouton Suivant permet de passer au regroupement suivant sans valider le regroupement en cours (il n’y aura donc pas de remplacement).

Bouton Appliquer : appliquer un remplacement sur l’ensemble des regroupements validés lors des 4 étapes décrites ci-dessus.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.1. Clustering Phonétique

Regroupement de cellules basées sur une prononciation similaire, par exemple téléphone et téléphones seront regroupés.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.2. Fingerprint Consonne-d’abord

Regroupement de chaînes de caractères basées sur la séquence des consonnes dans le texte.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.3. Fingerprint “Exact Match”

Regroupement par égalité de valeurs.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.4. Fingerprint Universel

Apparier des textes similaires en combinant plusieurs stratégies :

Elimination des mots non signifiants (articles, pronoms, conjonctions de coordination, …).

Elimination des doubles voyelles et des doubles consonnes.

Elimination des abréviations courantes.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.5. Fingerprint Voyelles-d’abord

Regroupement de chaînes de caractères basées sur la séquence des voyelles dans le texte.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.13.6. N-Gram Clustering

Regroupement de cellules basés sur les couples de lettres en commun (ou triplets, ou quadruplets, etc. selon la valeur de N).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.14. Transformations de Dédoublonnage : dédoublonnage multi-algorithmes

Tale of Data permet d’effectuer des dédoublonnages multi-champs (l’utilisateur choisit les champs à utiliser pour décider du rapprochement de deux lignes) et multi-algorithmes (l’utilisateur choisit l’algorithme de rapprochement pour chaque champ : phonétique, N-Gram, …) :

Sélectionner les champs à utiliser pour dédoublonner.

Sélectionner l’algorithme à utiliser pour chacune des colonnes.

Cliquer sur le bouton Valider pour démarrer le processus de dédoublonnage.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : dédoublonnage multi-algorithmes

Avant Transformation :

Considérons le jeu de données suivant :

ID	Nom	Adresse	Ville	Pays
1	John Doe	123 Soul Street	New York	USA
2	Jane Smith	456 Oak Avenue	Londres	UK
3	John Doe	123 Sole Street	New York	USA
4	Alice Brown	789 Pine Road	Sydney	Australie
5	Doe, John	123 Soul Street	New York	USA

Configuration de la Transformation :

Type de Déduplication Multi-Algorithme : Fusionner et Supprimer les Lignes Duplicates
Correspondance Exacte sur Toutes les Colonnes : false
Configuration des Colonnes : Correspondance sur les colonnes « Nom » et « Adresse » avec Correspondance Exacte Non Ordonnée pour « Nom » et Correspondance Phonétique Anglaise pour « Adresse ».
Filtres : Aucun (toutes les lignes sont prises en compte)

Après Transformation :

Le jeu de données après application de la transformation :

ID	Nom	Adresse	Ville	Pays
1	John Doe	123 Soul Street	New York	USA
2	Jane Smith	456 Oak Avenue	Londres	UK
4	Alice Brown	789 Pine Road	Sydney	Australie

Explication :

La ligne 3 est considérée comme un doublon de la ligne 1, d’abord parce que le « Nom » est identique, et ensuite parce que « Soul Street » et « Sole Street » ont la même prononciation en anglais, et que la configuration de la transformation spécifie une Correspondance Phonétique Anglaise pour la colonne « Adresse ». En conséquence, ces deux lignes sont fusionnées et l’une est supprimée.
La ligne 5 est également considérée comme un doublon de la ligne 1 car « John Doe » et « Doe, John » sont considérés comme identiques grâce à la correspondance Exacte Non Ordonnée définie pour la colonne « Nom ». Les adresses étant strictement identiques, la ligne 5 est supprimée également.

Cette transformation permet de maintenir un jeu de données propre en supprimant les données redondantes et en ne conservant que les lignes uniques, selon les règles de déduplication spécifiées.

7.15. Transformations sur les Natures

7.15.1. Attribuer une Nature à un champ

Changer ou forcer la Nature d’un champ (e.g. forcer la nature « n° de téléphone » pour une colonne numérique).

La transformation s’applique sur un ou plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Attribuer une Nature à un champ

Avant Transformation :

ID	Nom	Statut	Revenu
1	Alpha	Actif	1500
2	Bêta	Inactif	1200
3	John Smith	Actif	1800

Configuration de la Transformation :

Colonne à laquelle attribuer une nature : « Nom »
Nouvelle Nature : Nom Complet

Après Transformation :

ID	Nom	Statut	Revenu
1	Alpha	Actif	1500
2	Bêta	Inactif	1200
3	John Smith	Actif	1800

Après application de la transformation, pour la colonne « Nom », seule la ligne n°3 contient une valeur reconnue comme Nom Complet (« John Smith »).

7.15.2. Supprimer la Nature d’un champ

Supprimer la Nature présente sur un ou plusieurs champs.

La transformation s’applique sur un ou plusieurs champs.
La transformation n’utilise pas le ou les filtres actifs.

Note

Exemple pratique : Supprimer la Nature d’un champ

Avant Transformation :

ID	Nom (Nature = Prénom)	Âge	Salaire
1	John	30	50000
2	Jane	27	60000
3	Doe (nature invalide)	22	55000

La colonne “Nom” est de nature Prénom, ce qui rend « Doe » une valeur invalide :

Configuration de la Transformation :

Colonnes Cibles : Nom

Après Transformation :

ID	Nom	Âge	Salaire
1	John	30	50000
2	Jane	27	60000
3	Doe	22	55000

La colonne « Nom » n’a maintenant plus de nature associée. Cela signifie qu’il n’y a plus d’invalidité de nature dans les données.

7.15.3. Découper une URL

Extraire depuis une URL, au choix : le Protocole (http, ftp, …), le Nom de domaine (www.taleofdata.com, www.google.fr, …), le Port, le Chemin ou les Paramètres depuis les URLs du champ sélectionné vers un ou plusieurs nouveaux champs.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Découper une URL

Avant Transformation :

ID	URL du Site Web
1	https://example.com/products?item=book
2	https://blog.example.com/about
3	http://www.example.net/search?q=hello+world

Configuration de la Transformation :

Colonne URL : “URL du Site Web”
Parties Extraites :
- Domaine
- Chemin
- Requête

Après Transformation :

ID	URL du Site Web \| Domaine URL du Site Web	Chemin URL du Site Web	Requête URL du Site Web
1	https://example.com/products?item=book \| example.com	/products	item=book
2	https://blog.example.com/about \| blog.example.com	/about
3	http://www.example.net/search?q=hello+world\| example.net	/search	q=hello+world

Dans cet exemple, la transformation prend chaque URL de la colonne “URL du Site Web”, l’analyse et extrait les composants du domaine, du chemin et de la requête. Ces composants sont ensuite stockés dans de nouvelles colonnes au sein de la même table, fournissant ainsi une décomposition structurée des données URL originales. Cela rend le jeu de données plus informatif et plus facile à analyser pour des composants spécifiques des URL.

7.15.4. Décoder les URLs

Décoder chaque URL du champ sélectionné depuis le format application/x-www-form-urlencoded. Par exemple :

http%3A%2F%2Fwww.taleofdata.com devient http://www.taleofdata.com.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Décoder les URLs

Avant Transformation :

ID	URLCodée
1	https%3A%2F%2Fexample.com%2Fpath%3Fq%3Dtest
2	https%3A%2F%2Fanother.com%2Fpath%3Fq%3Dabc

Configuration de la Transformation :

Colonne Cible : URLCodée

Après Transformation :

ID	URLCodée
1	https://example.com/path?q=test
2	https://another.com/path?q=abc

Dans cet exemple, la transformation prend un tableau contenant des URLs encodées et les convertit en un format lisible par l’homme, rendant les données plus accessibles et faciles à comprendre pour des analyses ou des rapports ultérieurs.

7.15.5. Encoder les URLs

Encoder chaque URL du champ sélectionné dans le format application/x-www-form-urlencoded. Par exemple :

http://www.taleofdata.com devient http%3A%2F%2Fwww.taleofdata.com.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Encoder les URLs

Avant Transformation :

ID	Nom	Site Web
1	John Doe	http://example.com/?q=hello world
2	Jane Smith	http://example.com/?q=good day

Configuration de la Transformation :

Colonnes Cibles : Site Web

Après Transformation :

ID	Nom	Site Web
1	John Doe	http://example.com/?q=hello%20world
2	Jane Smith	http://example.com/?q=good%20day

Dans cet exemple, les données de la colonne Site Web sont transformées pour s’assurer que les espaces sont correctement encodés sous la forme %20, rendant ainsi les URLs sûres et utilisables dans un navigateur web.

7.15.6. Mettre en forme les prénoms

Mettre en forme les prénoms (normalisation des espaces, capitalisation) du champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les prénoms

Avant Transformation :

ID	Prénom	Nom
1	john	Doe
2	MARY	Smith
3	aLiCe	Johnson

Configuration de la Transformation :

Colonne Cible : Prénom

Après Transformation :

ID	Prénom	Nom
1	John	Doe
2	Mary	Smith
3	Alice	Johnson

7.15.7. Extraire nom, prénom, civilité / genre des noms complets

Extraire au choix : les Prénoms, les Noms ou les Civilités depuis un champ comportant des noms complets. Permet également de déduire les Civilités et les Genres.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Extraire nom, prénom, civilité / genre des noms complets

Avant Transformation :

ID	Nom Complet
1	John Doe
2	Mme. Jane Smith
3	Dr. Alice Johnson

Configuration de la Transformation :

Colonne Source : Nom Complet
Parts à extraire :
- Civilité
- Prénom
- Nom de famille
- Genre

Après Transformation :

ID	Nom Complet	Nom Complet.civilité	Nom Complet.prénom	Nom Complet.nom de famille	Nom Complet.genre
1	John Doe		John	Doe	Homme
2	Jane Smith	Mme.	Jane	Smith	Femme
3	Alice Johnson	Mme.	Alice	Johnson	Femme

Cette transformation permet une décomposition structurée et détaillée des noms, ce qui peut être particulièrement utile pour des communications personnalisées, le tri des données et l’analyse basée sur des segments démographiques.

7.15.8. Mettre en forme les noms propres

Mettre en forme les noms propres pour le champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les noms propres

Avant Transformation :

Nom Employé	Département
john doe	Marketing
JANE DOE	Ressources Humaines

Configuration de la Transformation :

Colonnes Cibles : Nom Employé

Après Transformation :

Nom Employé	Département
John Doe	Marketing
Jane Doe	Ressources Humaines

7.15.9. Mettre en forme les genres

Mettre en forme les genres selon une Locale (pays / langue) et un Format (Court, Long).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les genres

Avant Transformation :

ID	Nom	Genre
1	Alice	Female
2	Bob	male
3	Charlie	M
4	Dana	FEMALE

Configuration de la Transformation :

Colonne Cible : « Genre »
Région : Anglais (Royaume-Uni)
Format : Court

Après Transformation :

ID	Nom	Genre
1	Alice	F
2	Bob	M
3	Charlie	M
4	Dana	F

7.15.10. Mettre en forme les civilités

Mettre en forme les civilités selon une Locale (pays / langue) et un Format (Court, Long).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les civilités

Avant Transformation :

ID	Nom	Civilité
1	Alice	Ms
2	Bob	mr
3	Clara	Mistress

Configuration de la Transformation :

Colonne Cible : « Civilité »
Région : Anglais (Royaume-Uni)
Format : Long

Après Transformation :

ID	Nom	Civilité
1	Alice	Miss
2	Bob	Mister
3	Clara	Mrs

7.15.11. Mettre en forme les nationalités

Mettre en forme les nationalités (normalisation des espaces, capitalisation) du champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les nationalités

Avant Transformation :

ID	Nationalité
1	american
2	BRITISH
3	CanADian

Configuration de la Transformation :

Colonne Cible : Nationalité

Après Transformation :

ID	Nationalité
1	American
2	British
3	Canadian

7.15.12. Extraire le code SIREN

Extraire le code SIREN (Système d”Identification du Répertoire des ENtreprises) d’un champ comportant des SIRET (Système d”Identification du Répertoire des ETablissements) vers un nouveau champ. L’extraction fonctionne uniquement avec des codes SIRET valides.

[11] [12]

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Extraire le code SIREN

Avant Transformation :

ID	Nom de l’Entreprise	Numéro SIRET
1	Alpha Inc.	12345678901234
2	Beta LLC	98765432109876
3	Gamma Corp.	55555555555555

Configuration de la Transformation :

Colonne Cible : « Numéro SIRET »

Après Transformation :

ID	Nom de l’Entreprise	Numéro SIRET	Numéro SIRET.siren
1	Alpha Inc.	12345678901234	123456789
2	Beta LLC	98765432109876	987654321
3	Gamma Corp.	55555555555555	555555555

Dans cet exemple, la transformation prend les numéros SIRET de la colonne spécifiée, les valide, et extrait les 9 premiers chiffres pour les enregistrer sous forme de numéros SIREN dans le jeu de données de sortie. Cela permet de simplifier le jeu de données et de se concentrer uniquement sur les numéros d’identification du siège social de l’entreprise.

7.16. Transformations Géographiques

7.16.1. Analyser une adresse

Analyse un à plusieurs champs contenant des adresses puis extrait chaque partie dans de nouveaux champs. Si l’adresse est répartie sur plusieurs champs, vous devez les sélectionner dans l’ordre.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Analyser une adresse

Avant Transformation :

ID	AdresseBrute
1	30 bis rue de Lisbonne, 75008 Paris
2	12 rue de Chazelles 75017 Paris

Configuration de la Transformation :

Colonnes Cibles : “AdresseBrute”
Région : « France »

Après Transformation :

AdresseBrute	Pays	AdresseBrute.numero	AdresseBrute.complementNum	AdresseBrute.typeVoie	AdresseBrute.nomVoie	AdresseBrute.CP	AdresseBrute.Ville	AdresseBrute.lieuDit	AdresseBrute.servicePostal	AdresseBrute.ilot	AdresseBrute.batiment	AdresseBrute.etage
30 bis rue de Lisbonne, 75008 Paris	France	30	bis	rue	de Lisbonne	75008	Paris
12 rue de Chazelles 75017 Paris	France	12		rue	de Chazelles	75017	Paris

Dans cet exemple, la colonne “AdresseBrute” est analysée et décomposée automatiquement en plusieurs sous-champs normalisés comme le numéro de rue, complément de numéro, type et nom de voie, code postal et ville, selon les conventions postales françaises. Cela facilite les traitements d’adresses et les rapprochements géographiques.

7.16.2. Convertir des codes pays

Convertir, dans le champ sélectionné, des codes pays depuis / vers la norme ISO 3166-1 [13] dans les formats suivants :

Code à 2 lettres : ISO 3166-1 alpha-2.

Code à 3 lettres : ISO 3166-1 alpha-3.

Nom de pays.

Par exemple :

Pour un code sur 2 lettres tel que FR, la conversion dans le format ISO 3166-1 alpha-3 donnera FRA.

Pour un code sur 3 lettres tel que USA, la conversion dans le format Nom de pays avec la langue Français donnera États-Unis.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Convertir des codes pays

Avant la transformation :

ID	Nom	CodePays
1	John Doe	USA
2	Jane Doe	DE

Configuration de la transformation :

Colonne cible : CodePays
Standard souhaité : ISO 3166-1 alpha-3

Après la transformation :

ID	Nom	CodePays
1	John Doe	USA
2	Jane Doe	DEU

Dans cet exemple, la transformation a été configurée pour convertir les codes pays de la colonne CodePays vers le standard ISO 3166-1 alpha-3. En conséquence, DE a été converti en DEU, tandis que USA, déjà conforme, est resté inchangé.

7.16.3. Corriger les Codes Communes INSEE dépréciés (France)

Remplacer les codes communes INSEE dépréciés par leur nouvelle valeur. Un code commune INSEE peut être déprécié pour différentes raisons, dont :

Commune « associée ».

Commune périmée.

Commune déléguée.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Corriger les Codes Communes INSEE dépréciés (France)

Avant Transformation :

ID	Code INSEE	Nom
1	12345	CommuneA
2	67890	CommuneB
3	13579	CommuneC

Note : Supposons que le code “67890” pour CommuneB soit obsolète.

Configuration de la Transformation :

Colonne Cible : Code de Commune

Après Transformation :

ID	Code INSEE	Nom
1	12345	CommuneA
2	54321	CommuneB	(Code mis à jour)
3	13579	CommuneC

Dans cet exemple, la transformation vérifie la colonne “Code de Commune” pour détecter les codes obsolètes. Elle constate que le code “67890” pour CommuneB est obsolète et le remplace par le code valide actuel “54321”. Le reste du jeu de données reste inchangé car aucun autre code obsolète n’a été trouvé.

7.16.4. Déduire des données géographiques depuis des Codes Postaux (France)

Enrichir le jeu de données courant avec des données géographiques (nom du département, code du département, nom de la région, code de la région) déduites du code postal présent dans le champ sélectionné.

Par exemple, en partant du code postal 75001, vous pouvez obtenir comme nouveaux champs :

Le code du département : 75.

Le nom du département : Paris.

Le code de la région : 11.

Le nom de la région : Île-de-France.

Note

Exemple pratique : Déduire des données géographiques depuis des Codes Postaux (France)

Avant Transformation :

ID	Adresse	CodePostal
1	123 Rue D’Amiens	80090
2	456 Rue De Lyon	69000
3	789 Rue De Nice

Configuration de la Transformation :

Colonne Cible : CodePostal
Enrichir avec : Nom du Département

Après Transformation :

ID	Adresse	CodePostal	Département
1	123 Rue D’Amiens	80090	Somme
2	456 Rue De Lyon	69000	Rhône
3	789 Rue De Nice

Dans cet exemple, la transformation exploite la colonne « CodePostal » pour en déduire le « Département » correspondant au code postal fourni. Pour le premier enregistrement, le code postal « 80090 » correspond au département « Somme », et pour le second, « 69000 » correspond au département « Rhône ». Le troisième enregistrement n’ayant pas de code postal, le champ département reste vide.

Astuce

Un même code postal peut correspondre à plusieurs communes.

Certains codes postaux peuvent appartenir à un département différent de celui présent dans le code.

Pour un meilleur résultat, il est conseillé d’utiliser les codes communes INSEE ou bien la combinaison code postal et nom de la ville (libellé d’acheminement).

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

7.16.5. Enrichir depuis des Codes Communes INSEE (France)

Enrichir le jeu de données courant avec des données géographiques provenant du Code Officiel Géographique [14] (nom de la commune, nom du département, code du département, nom de la région, code de la région) en partant du code commune INSEE présent dans le champ sélectionné.

Par exemple, en partant du code commune INSEE 75056, vous pouvez obtenir comme nouveaux champs:

Le nom de la commune : Paris.

Le code du département : 75.

Le nom du département : Paris.

Le code de la région : 11.

Le nom de la région : Île-de-France.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Enrichir depuis des Codes Communes INSEE (France)

Avant Transformation :

ID	Nom	Code INSEE
1	Paris	75056
2	Lyon	69123
3	Marseille

Configuration de la Transformation :

Colonne cible pour le Code INSEE : Code INSEE
Enrichir avec : Nom Ville, Département, Région
Corriger les codes obsolètes : Oui

Après Transformation :

ID	Nom	Code INSEE	Nom Ville	Département	Région
1	Paris	75056	Paris	Paris	Île-de-France
2	Lyon	69123	Lyon	Rhône	Auvergne-Rhône-Alpes
3	Marseille

Dans cet exemple, le jeu de données contient initialement des informations de base comprenant un identifiant unique, le nom et le code INSEE des villes. Après application de la transformation avec la configuration indiquée, le jeu de données est enrichi avec des informations supplémentaires comme le nom de la ville, le département et la région à partir des codes INSEE fournis. Pour Marseille, où le code INSEE est manquant, aucune information supplémentaire n’est ajoutée.

7.16.6. Enrichir depuis des Codes Postaux (France)

Enrichir le jeu de données courant avec des données géographiques (code commune INSEE, nom de la commune, nom du département, code du département, nom de la région, code de la région) déduites du code postal et du nom de la ville (Libellé d’acheminement) présents dans les champs sélectionnés.

Par exemple, en partant du code postal 75001 et de la ville Paris, vous pouvez obtenir comme nouveaux champs :

Le code commune INSEE : 75056.

Le nom de la commune : Paris.

Le code du département : 75.

Le nom du département : Paris.

Le code de la région : 11.

Le nom de la région : Île-de-France.

La transformation s’applique sur deux champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Enrichir depuis des Codes Postaux (France)

Avant Transformation :

Code Postal	Nom Ville
75001	Paris
13001	Marseille

Configuration de la Transformation :

Référence Colonne Code Postal : Colonne 1 (Code Postal)
Référence Colonne Ville : Colonne 2 (Nom Ville)
Enrichir avec : Code INSEE, Nom Région
Mettre à jour les codes communes obsolètes : Oui

Après Transformation :

Code Postal	Nom Ville	Code INSEE	Nom Région
75001	Paris	75101	Île-de-France
13001	Marseille	13201	Provence-Alpes-Côte d’Azur

Dans cet exemple, la transformation enrichit le tableau initial en ajoutant le code INSEE et des informations géographiques supplémentaires (ici le nom de la région) pour chaque entrée à partir du code postal et du nom de la ville fournis.

7.16.7. Enrichir avec les codes pays / Nom de pays

Ajouter des codes pays ou nom de pays dans un nouveau champ en exploitant les codes pays ou nom de pays à la norme ISO 3166-1 [15] présents dans le champ sélectionné, aux formats suivants :

Code à 2 lettres : ISO 3166-1 alpha-2.

Code à 3 lettres : ISO 3166-1 alpha-3.

Nom de pays.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Enrichir avec les codes pays / Nom de pays

Avant Transformation :

ID	CodePays
1	US
2	DE
3	FR

Configuration de la Transformation :

Colonne Source : “CodePays”
Enrichir avec : “Nom du Pays”
Langue de sortie : Anglais.

Après Transformation :

ID	CodePays	nom_pays
1	US	United States
2	DE	Germany
3	FR	France

Dans cet exemple, la transformation prend les codes pays ISO à deux lettres de la colonne “CodePays” et les convertit en noms de pays complets selon les paramètres spécifiés. Les résultats sont stockés dans une nouvelle colonne “nom_pays”, enrichissant ainsi le jeu de données original avec des informations géographiques plus explicites.

7.16.8. Géocoder une adresse

Géocoder un ou plusieurs champs contenant des adresses. Deux champs seront ajoutés pour la latitude et la longitude. Si l’adresse est répartie sur plusieurs champs, vous devez les sélectionner dans l’ordre (i.e. numéro, rue, code postal puis ville).

Pour récupérer, en plus de la latitude et de la longitude, les champs d’adresse présents dans le référentiel (e.g. numéro, nom de la voie, code postal, …), vous devez sélectionner l’option « Normaliser les adresses ».

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Géocoder une adresse

Avant Transformation :

CustomerID	AdresseLigne
1	8 R DU BEL AIR 5 OBSERVATOIRE 92190 MEUDON
2	4 AV DES TUYAS 92600 ASNIERES

Configuration de la Transformation :

Colonnes Ciblées : “AdresseLigne”
Pays : France
Normalisation : Oui

Après Transformation :

CustomerID	AdresseLigne	AdresseLigne.numéro	AdresseLigne.complémentNuméro	AdresseLigne.rue	AdresseLigne.codePostal	AdresseLigne.commune	AdresseLigne.codeIris	AdresseLigne.latitude	AdresseLigne.longitude	AdresseLigne.confiance
1	8 R DU BEL AIR 5 OBSERVATOIRE 92190 MEUDON	8		Rue du Bel Air	92190	MEUDON	920480212	48.814713	2.225489	0.68
2	4 BIS AV DES TUYAS 92600 ASNIERES	4	Bis	Avenue des Tuyas	92600	ASNIERES-SUR-SEINE	920040603	48.921102	2.279063	0.74

Tale of Data ajoute une nouvelle colonne contenant le taux de confiance (suffixe .confiance) en fin de jeu de données. Ce taux est compris entre 0 et 1. 1 signifie que votre adresse possède une correspondance exacte dans le référentiel géographique. Plus cette correspondance est dégradée, plus le taux de confiance tend vers zéro.

7.16.9. Retrouver le pays à partir de la latitude et longitude

Cette transformation permet de retrouver le pays à partir de la latitude et de la longitude. Il est également possible d’enrichir le jeu de données avec la capitale du pays, sa zone géographique et le continent auquel il appartient.

Avertissement

Pour des raisons de performances, cette transformation utilise des polygones représentant les contours légèrement simplifiés des différents pays du monde. Il peut arriver que certains points très proches d’une frontière ne soient pas rattachés au bon pays. Le taux de réussite est de 98.9% sur le dataset GeoNames « All Countries » contenant la latitude, la longitude et le pays pour 1 552 935 lieux (fichier allCountries.zip téléchargeable ici: <https://download.geonames.org/export/zip/>).

La transformation s’applique sur un champ latitude et un champ longitude.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Retrouver le pays à partir de la latitude et longitude

Avant la transformation :

ID Fiche	Latitude	Longitude
1	48.858844	2.294351
2	51.507351	-0.127758

Configuration de la transformation :

Colonne Latitude : Latitude
Colonne Longitude : Longitude
Langue : Anglais
Champs additionnels :
- Code ISO à 2 lettres
- Capitale

Après la transformation :

ID Fiche	Latitude	Longitude	Pays	ISO2	Capitale
1	48.858844	2.294351	France	FR	Paris
2	51.507351	-0.127758	Royaume-Uni	GB	Londres

Dans cet exemple, la transformation utilise les coordonnées géographiques pour enrichir les données de chaque enregistrement avec le nom du pays, son code ISO à 2 lettres, ainsi que la capitale, conformément à la configuration spécifiée.

7.16.10. Normaliser les adresses postales françaises (AFNOR NF Z 10-011)

Normaliser des adresses postales françaises selon la norme AFNOR NF Z 10-011 du 19 janvier 2013, facilitant la distribution de courrier. Cette norme répartit les adresses postales françaises en 6 champs :

CIVILITÉ - TITRE ou QUALITÉ - PRÉNOM - NOM.

N°APP ou BAL - ÉTAGE - COULOIR - ESC.

ENTRÉE - BÂTIMENT - IMMEUBLE - RÉSIDENCE.

NUMÉRO - LIBELLÉ DE LA VOIE.

LIEU DIT ou SERVICE PARTICULIER DE DISTRIBUTION.

CODE POSTAL et LOCALITÉ DE DESTINATION ou CODE CEDEX et LIBELLÉ CEDEX.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Normaliser les adresses postales françaises (AFNOR NF Z 10-011)

Avant Transformation :

Civilité	Prénom	Nom	Adresse	Ville	Code Postal
	John	Doe	30 RUE DE MOSCOU Apt 45	Paris	75008

Configuration de la Transformation :

Colonne Civilité : Civilité
Colonne Prénom : Prénom
Colonne Nom : Nom
Colonnes Adresse Postale : Adresse, Ville, Code Postal
Majuscules sur les lignes postales : true

Après Transformation :

Civilité	Prénom	Nom	Adresse	Ville	Code Postal	adresse_postale_ligne1	adresse_postale_ligne2	adresse_postale_ligne3	adresse_postale_ligne4	adresse_postale_ligne5	adresse_postale_ligne6
	John	Doe	30 RUE DE MOSCOU Apt 45	Paris	75008	MR. JOHN DOE			30 RUE DE MOSCOU	APT 45	75008 PARIS

7.16.11. Normaliser les adresses postales françaises (S42)

Normaliser des adresses postales françaises selon la norme S42. Cette norme répartit les adresses postales françaises en 10 champs :

Given name.

Surname.

Street No.

Street Name.

Street type.

Floor.

Town.

Region.

Postcode.

Country.

La transformation s’applique sur plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Normaliser les adresses postales françaises (S42)

Avant Transformation :

Prénom	Nom	Adresse	Pays
Damien	Desclozeaux	30 RUE D ALSACE 92110 CLICHY	France

Configuration de la Transformation :

Colonne Prénom : Prénom
Colonne Nom : Nom
Colonnes Adresse Postale : Adresse
Colonne Pays : Pays

Après Transformation :

Prénom	Nom	Adresse	Pays	s42_givenName	s42_surname	s42_streetNo	s42_streetName	s42_streetType	s42_floor	s42_town	s42_region	s42_postcode	s42_country
Damien	Desclozeaux	30 RUE D ALSACE 92110 CLICHY	France	Damien	DESCLOZEAUX	30	d’Alsace	Rue		Clichy		92110	France

7.17. Transformations sur les numéros de téléphone

7.17.1. Extraire la zone géographique depuis un téléphone

Extraire le pays à partir des numéros de téléphone internationaux du champ sélectionné vers un nouveau champ.

Prérequis :

Un champ ayant une nature de type Numéro de téléphone international.

Seuls les numéros de téléphone internationaux valides pourront être exploités.

Format de sortie pour les pays :

Code à 2 lettres : ISO 3166-1 alpha-2.

Code à 3 lettres : ISO 3166-1 alpha-3.

Nom de pays (localisé).

Visual exemple :

Format	Langue	Téléphone (entrée)	Pays (sortie)
Code à 2 lettres	N/A	+33 1 02 03 04 05	FR
Code à 3 lettres	N/A	+32 2 333 44 55	BEL
Nom du pays	anglais	+41 22 333 44 55	Switzerland

Informations complémentaires :

Format International (E.123) sur Wikipédia.

ISO 3166-1 alpha-2 sur Wikipédia.

ISO 3166-1 alpha-3 sur Wikipédia.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Extraire la zone géographique depuis un téléphone

Avant Transformation :

ID	Numéro de Téléphone
1	+1 408-555-1234
2	+44 20 7946 0958
3	+91 22 2888 8888

Configuration de la Transformation :

Colonne Cible : Numéro de Téléphone
Format Pays : NOM DU PAYS
Langue de Sortie : Anglais

Après Transformation :

ID	Numéro de Téléphone	Pays
1	+1 408-555-1234	États-Unis
2	+44 20 7946 0958	Royaume-Uni
3	+91 22 2888 8888	Inde

Dans cet exemple, la transformation prend les numéros de téléphone internationaux de la colonne “Numéro de Téléphone”, identifie l’indicatif téléphonique et les convertit en noms complets de pays en fonction de la locale spécifiée (“Anglais”). Le résultat est l’ajout d’une nouvelle colonne “Pays” au jeu de données, avec le nom du pays correspondant à chaque numéro de téléphone.

7.17.2. Mettre en forme les numéros de téléphone

Mettre en forme les numéros de téléphone en se conformant à un patron :

Format International : +33 9 67 13 07 93.

Format National : 0967130793.

Format E.164 : +33967130793.

La transformation s’applique sur un ou plusieurs champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les numéros de téléphone

Avant Transformation :

ID	Nom	Numéro de Téléphone
1	John Doe	+1 650-555-1234
2	Jane Smith	00442079460758
3	Alice Brown	555-2345

Configuration de la Transformation :

Colonnes Cibles : Numéro de Téléphone
Format du Numéro de Téléphone : INTERNATIONAL
Région : Anglais (US). Comme il ne s’agit que d’une indication, le numéro britannique de Jane Smith sera correctement formaté.

Après Transformation :

ID	Nom	Numéro de Téléphone
1	John Doe	+1 650-555-1234
2	Jane Smith	+44 20 7946 0758
3	Alice Brown	+1 650-555-2345

7.17.3. Redresser les numéros de téléphone à l’international

Redresser les numéros de téléphone à l’international d’un champ avec des numéros de téléphone à l’aide d’un champ contenant des Code Pays (ISO 3166-1 alpha-2), Code Pays (ISO 3166-1 alpha-3) ou des Pays. Les numéros de téléphone sont redressés dans un nouveau champ.

Prérequis :

Un champ ayant une nature de type Numéro de téléphone.

Un champ ayant une nature parmi : Code Pays (ISO 3166-1 alpha-2, alpha-3) ou Nom de Pays.

Exemple visuel :

+33 (010) 203-0405 avec un code pays FR et un format de sortie International donnera +33 1 02 03 04 05 comme numéro de téléphone corrigé.

0102030405 avec un code pays FR et un format de sortie International donnera +33 1 02 03 04 05 comme numéro de téléphone corrigé.

+33 (010) 203-0405 avec un code pays FR et un format de sortie E.164 donnera +33102030405 comme numéro de téléphone corrigé.

Valeurs possibles de la colonne de diagnostic :

VALID : lorsque la correction s’est bien déroulée.

INVALID_FOR_REGION : lorsque le numéro de téléphone n’est pas valide pour le code pays.

INVALID_COUNTRY_CODE : lorsque le code pays est invalide.

INVALID_INPUT : lorsque ce n’est pas un numéro de téléphone.

Informations complémentaires :

Format International (E.123) sur Wikipédia.

Format E.164 sur Wikipédia.

ISO 3166-1 alpha-2 sur Wikipédia.

ISO 3166-1 alpha-3 sur Wikipédia.

La transformation s’applique sur deux champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Redresser les numéros de téléphone à l’international

Avant Transformation :

Numéro de téléphone	Code pays
+33 1 40 90 38 00	FR
+41134235000	CH

Configuration de la Transformation :

Colonne Cible pour les Numéros de Téléphone : “Numéro de téléphone”
Colonne des Codes Pays : “Code pays”
Pays par Défaut : “Suisse”
Inclure une Colonne de Diagnostic : Oui

Après Transformation :

Numéro de téléphone	Code pays	Numéro de téléphone.formaté_international	Numéro de téléphone.diagnostic_international
+33 1 40 90 38 00	FR	+33 1 40 90 38 00	VALIDE
+41134235000	CH		INVALIDE_POUR_REGION

Dans cet exemple, on voit que sur la première ligne, le numéro français était valide mais mal formaté. Il a été corrigé et son statut devient “VALIDE”. Sur la deuxième ligne, le numéro fourni n’est pas un numéro de téléphone valide pour la Suisse. Aucune correction n’est donc possible (la colonne Numéro de téléphone.formaté_international reste vide, et le diagnostic est “INVALIDE_POUR_REGION”).

7.18. Transformations sur les adresses e-mail

7.18.1. Découper une adresse e-mail

Extraire depuis une adresse e-mail, au choix : le Domaine (contact@taleofdata.com, contact@gmail.com, …), la Partie locale (contact@taleofdata.com, contact@gmail.com, …) ou bien le Domaine et la Partie locale depuis les e-mails du champ sélectionné vers un ou plusieurs nouveaux champs.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Découper une adresse e-mail

Avant Transformation :

ID	Email
1	john.doe@example.com
2	jane.smith@abc.com

Configuration de la Transformation :

Colonne Email : “Email”
Parts à extraire : partie locale et partie domaine
Colonne Partie Domaine : “Domaine”
Extraire uniquement des e-mails valides : true

Après Transformation :

ID	Email	Email.local	Email.domain
1	john.doe@example.com	john.doe	example.com
2	jane.smith@abc.com	jane.smith	abc.com

Cette transformation permet aux utilisateurs de diviser efficacement les adresses e-mail en leurs composants de base, facilitant ainsi la gestion et l’analyse des données en fonction des différentes parties des adresses e-mail.

7.18.2. Mettre en forme les e-mails

Mettre en forme les e-mails (normalisation des espaces, suppression des accents, mise en minuscule des caractères) du champ sélectionné.

La transformation s’applique sur un unique champ.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Mettre en forme les e-mails

Avant Transformation :

ID	Email
1	JOHN.DOE@Example.COM
2	jane_doe@Example.com
3	mike.Leary@Example.COM

Configuration de la Transformation :

Colonne Cible : Email

Après Transformation :

ID	Email
1	john.doe@example.com
2	jane_doe@example.com
3	mike.leary@example.com

7.18.3. Vérifier la cohérence des e-mails

Vérifier l’absence de fautes dans les adresses e-mails en utilisant les champs contenant les Prénoms et les Noms de famille comme références.

Prérequis :

Un champ contenant les adresses e-mails à vérifier.

Un champ contenant les prénoms de référence.

Un champ contenant les noms de famille de référence.

Exemple visuel :

email	nom	prénom	email_consistency
prenom.nom@domain.com	Nom	Prénom	OK
penompenom.nom@domain.com	Nom	Prénom	FIRST_NAME_MISSPELLED
prenom-nam@domain.com	Name	Prénom	LAST_NAME_MISSPELLED

La transformation s’applique sur trois champs.
La transformation utilise le ou les filtres actifs.

Note

Exemple pratique : Vérifier la cohérence des e-mails

Avant la transformation :

Email	Prénom	Nom de famille
john.doe@xyz.com	John	Doe
jan.smith@abc.co	Jane	Smith

Configuration de la transformation :

Colonne cible (Email) : Email
Colonne Prénom : Prénom
Colonne Nom de famille : Nom de famille
Colonne de cohérence Email : Statut Email
Colonne de modèle Email : Modèle Email
Colonne Email corrigé : Email corrigé

Après la transformation :

Email	Prénom	Nom de famille	Email.statut_cohérence	Email.modèle	Email.corrigé
john.doe@xyz.com	John	Doe	OK	PRENOM__SEPARATEUR__NOM	john.doe@xyz.com
jan.smith@abc.com	Jane	Smith	PRENOM_MAUVAISE_ORTHOGRAPHE	PRENOM__SEPARATEUR__NOM	jane.smith@abc.com

Dans cet exemple, la transformation vérifie la cohérence de chaque adresse email par rapport aux champs Prénom et Nom de famille. Le premier email est valide et correspond à un modèle standard. Le second est signalé comme invalide (PRENOM_MAUVAISE_ORTHOGRAPHE) car le prénom contenu dans l’email ne correspond pas à l’orthographe du prénom dans la colonne Prénom.