Tratamiendo de los Datasets

Para leer correctamente el dataset de requisitos fue necesario leerlo en formato .txt y pasar un filtro con expresiones regulares para eliminar todo el código HTML y posteriormente guardar el resultado en un nuevo archivo .csv.

Después de esto se lee el .csv, seleccionando solo el appId y la columna de mínimos y se pasa todo el texto a minúsculas. Posteriormente se seleccionan las filas que contienen la palabra “hz”, de modo que nos quedamos exclusivamente con aquellos requisitos que cuentan con la frecuencia exacta entre sus especificaciones. Por último, dado que la columna de requisitos, en algunos casos, incluía también la de mínimos (el .csv tenía no tenía en algunas filas el carácter de separación de la columna) fue necesario pasar otro filtro usando una expresión regular para eliminarlos.

Por otro lado, del dataset de Intel tuvimos que limpiar aquellos datos de procesadores que no eran válidos para jugar o que estaban incompletos, para lo primero filtramos usando la columna “Vertical_Segment”, eliminando las columnas que contienen valores como ‘4’, ‘null’ o ‘ 1600”’, mientras que para lo segundo seleccionamos aquellas filas que no tenían la frecuencia o el número de procesador vacíos. Tras esto se sacó la frecuencia da cada fila multiplicando por 1000 en caso de ser GHz.

El dataset de AMD en cambio, solo tenía un par de valores incorrectos, que casualmente eran aquellos que tenían los valores en “MHz” así bastó con selecciona aquellos que no incluían la palabra. Después se extrajo el número de la columna y se multiplicó por 1000 (todos eran GHz).