datakehykset

Datakehykset ovat yleinen tietorakenne monissa ohjelmointi- ja tietojenkäsittely-ympäristöissä. Ne tallentavat järjestetyn taulukon tietoja riveillä ja sarakkeilla, mikä mahdollistaa järjestelmällisen tallennuksen ja analyysin. Jokainen rivi edustaa havaintoa tai käsittelykohdetta, ja jokainen sarake kuvaa muuttuja tai ominaisuutta. Usein sarakkeiden tyypit voivat poiketa toisistaan, ja taulukon eheys voidaan varmistaa rivi- ja sarakekontekstissa. Monissa kielissä datakehykset tukevat puuttuvia arvoja ja antavat tavan tehdä operaatioita, kuten lajittelua, suodatusta ja ryhmittelyä.

Käyttöympäristöt tarjoavat erilaisia toteutuksia. Esimerkiksi R-kielessä data.frame -malli on perusmuoto taulukkoiselle datalle. Pythonissa pandas-kirjaston DataFrame on suosittu ja laajasti käytetty rakente, joka tukee monimutkaisia operaatioita ja laajennuksia. Julia tarjoaa DataFrame-tyyppisen rakenteen DataFrames.jl:ssä, ja MATLABin taulukot (tables) sekä SQL-tyyliset taulukot ovat vastaavia ratkaisuja. Suurten datamassojen käsittelyssä voidaan käyttää myös Distributed/Big Data -ympäristöjä, kuten Apache Sparkin DataFrame API.

Keskeisiä operaatioita ovat sarakkeiden valinta, rivien suodatus, lajittelu, ryhmittely ja aggregointi sekä yhdistämiset (join) eri datakehyksistä. Puuttuvien arvojen käsittely, muunnokset ja uudelleenmuotoilut (reshape/pivot) ovat usein tarpeen esikäsittelyssä. Datastruktuurin etuja ovat intuitiivinen käyttö, tiivis esitys ja yhteensopuvuus monien analysointi- ja koneoppimistyökalujen kanssa. Rajoitteita voivat olla muistirajoitukset suurissa tiedostoissa ja tietoturva- sekä skaalautuvuusnäkökohdat, joita ratkaistaan käyttämällä sopivia tallennusmuotoja ja kehyksiä.