100% found this document useful (2 votes)
34 views

Creating Good Data: A Guide to Dataset Structure and Data Representation Harry J. Foxwell - Download the ebook today and experience the full content

The document promotes the ebook 'Creating Good Data: A Guide to Dataset Structure and Data Representation' by Harry J. Foxwell, available for download at textbookfull.com. It outlines the importance of good data practices, including data types, collection, cleaning, and analytics. The ebook serves as a comprehensive guide for understanding and implementing effective data management strategies.

Uploaded by

lenzueoummy
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
100% found this document useful (2 votes)
34 views

Creating Good Data: A Guide to Dataset Structure and Data Representation Harry J. Foxwell - Download the ebook today and experience the full content

The document promotes the ebook 'Creating Good Data: A Guide to Dataset Structure and Data Representation' by Harry J. Foxwell, available for download at textbookfull.com. It outlines the importance of good data practices, including data types, collection, cleaning, and analytics. The ebook serves as a comprehensive guide for understanding and implementing effective data management strategies.

Uploaded by

lenzueoummy
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 68

Explore the full ebook collection and download it now at textbookfull.

com

Creating Good Data: A Guide to Dataset Structure


and Data Representation Harry J. Foxwell

https://textbookfull.com/product/creating-good-data-a-guide-
to-dataset-structure-and-data-representation-harry-j-
foxwell/

OR CLICK HERE

DOWLOAD EBOOK

Browse and Get More Ebook Downloads Instantly at https://textbookfull.com


Click here to visit textbookfull.com and download textbook now
Your digital treasures (PDF, ePub, MOBI) await
Download instantly and pick your perfect format...

Read anywhere, anytime, on any device!

Guide to Data Analytics Aicpa

https://textbookfull.com/product/guide-to-data-analytics-aicpa/

textbookfull.com

Data Lake Analytics on Microsoft Azure: A Practitioner's


Guide to Big Data Engineering Harsh Chawla

https://textbookfull.com/product/data-lake-analytics-on-microsoft-
azure-a-practitioners-guide-to-big-data-engineering-harsh-chawla/

textbookfull.com

Data and the Built Environment: A Practical Guide to


Building a Better World Using Data 1st Edition Ian Gordon

https://textbookfull.com/product/data-and-the-built-environment-a-
practical-guide-to-building-a-better-world-using-data-1st-edition-ian-
gordon/
textbookfull.com

A Data Scientist s Guide to Acquiring Cleaning and


Managing Data in R 1st Edition Samuel E. Buttrey

https://textbookfull.com/product/a-data-scientist-s-guide-to-
acquiring-cleaning-and-managing-data-in-r-1st-edition-samuel-e-
buttrey/
textbookfull.com
Managing and Sharing Research Data A Guide to Good
Practice 1st Edition Louise Corti Veerle Van Den Eynden
Libby Bishop Matthew Woollard
https://textbookfull.com/product/managing-and-sharing-research-data-a-
guide-to-good-practice-1st-edition-louise-corti-veerle-van-den-eynden-
libby-bishop-matthew-woollard/
textbookfull.com

Quick Start Guide to Azure Data Factory Azure Data Lake


Server and Azure Data Warehouse 1st Edition Mark Beckner

https://textbookfull.com/product/quick-start-guide-to-azure-data-
factory-azure-data-lake-server-and-azure-data-warehouse-1st-edition-
mark-beckner/
textbookfull.com

Learning Representation for Multi-View Data Analysis:


Models and Applications Zhengming Ding

https://textbookfull.com/product/learning-representation-for-multi-
view-data-analysis-models-and-applications-zhengming-ding/

textbookfull.com

Data Structure and Algorithms Using C++: A Practical


Implementation 1st Edition Sachi Nandan Mohanty

https://textbookfull.com/product/data-structure-and-algorithms-using-
c-a-practical-implementation-1st-edition-sachi-nandan-mohanty/

textbookfull.com

Applied Univariate, Bivariate, and Multivariate Statistics


Using Python: A Beginner's Guide to Advanced Data Analysis
1st Edition Daniel J. Denis
https://textbookfull.com/product/applied-univariate-bivariate-and-
multivariate-statistics-using-python-a-beginners-guide-to-advanced-
data-analysis-1st-edition-daniel-j-denis/
textbookfull.com
Creating
Good Data
A Guide to Dataset Structure and
Data Representation

Harry J. Foxwell
Creating Good Data
A Guide to Dataset Structure
and Data Representation

Harry J. Foxwell
Creating Good Data: A Guide to Dataset Structure and Data Representation

Harry J. Foxwell
Fairfax, VA, USA

ISBN-13 (pbk): 978-1-4842-6102-6 ISBN-13 (electronic): 978-1-4842-6103-3


https://doi.org/10.1007/978-1-4842-6103-3

Copyright © 2020 by Harry J. Foxwell


This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
Trademarked names, logos, and images may appear in this book. Rather than use a trademark symbol with
every occurrence of a trademarked name, logo, or image we use the names, logos, and images only in an
editorial fashion and to the benefit of the trademark owner, with no intention of infringement of the
trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if they are not
identified as such, is not to be taken as an expression of opinion as to whether or not they are subject to
proprietary rights.
While the advice and information in this book are believed to be true and accurate at the date of publication,
neither the authors nor the editors nor the publisher can accept any legal responsibility for any errors or
omissions that may be made. The publisher makes no warranty, express or implied, with respect to the
material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Susan McDermott
Development Editor: Laura Berendson
Coordinating Editor: Jessica Vakili
Distributed to the book trade worldwide by Springer Science+Business Media New York, 1 NY Plaza,
New York NY 10004. Phone 1-800-SPRINGER, fax (201) 348-4505, e-mail [email protected], or
visit www.springeronline.com. Apress Media, LLC is a California LLC and the sole member (owner) is
Springer Science + Business Media Finance Inc (SSBM Finance Inc). SSBM Finance Inc is a Delaware
corporation.
For information on translations, please e-mail [email protected]; for reprint, paperback,
or audio rights, please e-mail [email protected].
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook versions and
licenses are also available for most titles. For more information, reference our Print and eBook Bulk Sales
web page at http://www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this book is available to readers
on GitHub via the book’s product page, located at www.apress.com/9781484261026. For more detailed
information, please visit http://www.apress.com/source-code.
Printed on acid-free paper
To Eileen, for her endless love and support.
Table of Contents
About the Author����������������������������������������������������������������������������������������������������� ix

About the Technical Reviewer��������������������������������������������������������������������������������� xi


Acknowledgments������������������������������������������������������������������������������������������������� xiii

Introduction�������������������������������������������������������������������������������������������������������������xv

Chapter 1: The Need for Good Data��������������������������������������������������������������������������� 1


Who This Book Is For��������������������������������������������������������������������������������������������������������������������� 1
Assumptions���������������������������������������������������������������������������������������������������������������������������� 2
The Importance of Getting Data Right������������������������������������������������������������������������������������������� 3
What Exactly Is “Data” and Where Does It Come From?��������������������������������������������������������� 4
What Is “Good” Data?�������������������������������������������������������������������������������������������������������������� 5
Where “Bad” Data Comes From���������������������������������������������������������������������������������������������� 6
Preventive Action��������������������������������������������������������������������������������������������������������������������� 8
Summary�������������������������������������������������������������������������������������������������������������������������������������� 9
Chapter References���������������������������������������������������������������������������������������������������������������������� 9

Chapter 2: Basic Data Types and When to Use Them���������������������������������������������� 11


Four Analytic Data Types������������������������������������������������������������������������������������������������������������� 12
Nominal/Categorical Data������������������������������������������������������������������������������������������������������ 13
Ordinal Data��������������������������������������������������������������������������������������������������������������������������� 16
Ratio Data������������������������������������������������������������������������������������������������������������������������������ 21
Interval Data�������������������������������������������������������������������������������������������������������������������������������� 23
Other Data Types������������������������������������������������������������������������������������������������������������������������� 24
Summary������������������������������������������������������������������������������������������������������������������������������������ 25
Chapter References�������������������������������������������������������������������������������������������������������������������� 26

v
Table of Contents

Chapter 3: Representing Quantitative Data������������������������������������������������������������ 27


Units of Measurement����������������������������������������������������������������������������������������������������������������� 27
Magnitudes and Quantities���������������������������������������������������������������������������������������������������� 28
Time Data������������������������������������������������������������������������������������������������������������������������������ 29
Money and Currency Data����������������������������������������������������������������������������������������������������� 31
Transformations and Indexing����������������������������������������������������������������������������������������������� 31
Measurement Standards������������������������������������������������������������������������������������������������������������� 32
Other Quantitative Measurement Issues������������������������������������������������������������������������������� 33
Summary������������������������������������������������������������������������������������������������������������������������������������ 34
Chapter References�������������������������������������������������������������������������������������������������������������������� 34

Chapter 4: Planning Your Data Collection and Analysis����������������������������������������� 37


Describing, Comparing, and Predicting��������������������������������������������������������������������������������������� 37
Example: Choosing a Data Type�������������������������������������������������������������������������������������������������� 38
Plan for Visualizing Your Data and Analysis��������������������������������������������������������������������������� 39
Data Analysis Tools��������������������������������������������������������������������������������������������������������������������� 43
Summary������������������������������������������������������������������������������������������������������������������������������������ 44
Chapter References�������������������������������������������������������������������������������������������������������������������� 45

Chapter 5: Good Datasets��������������������������������������������������������������������������������������� 47


Sharing Data������������������������������������������������������������������������������������������������������������������������������� 47
Dataset Dictionaries/Metadata��������������������������������������������������������������������������������������������������� 48
Good Metadata���������������������������������������������������������������������������������������������������������������������� 49
What’s in a Name?���������������������������������������������������������������������������������������������������������������� 50
Dataset Formats�������������������������������������������������������������������������������������������������������������������������� 51
Keep It Simple����������������������������������������������������������������������������������������������������������������������� 52
Is Your Data Ready?��������������������������������������������������������������������������������������������������������������� 56
Summary������������������������������������������������������������������������������������������������������������������������������������ 57
Chapter References�������������������������������������������������������������������������������������������������������������������� 57

vi
Table of Contents

Chapter 6: Good Data Collection����������������������������������������������������������������������������� 59


What Is Bias?������������������������������������������������������������������������������������������������������������������������������� 59
Major Types of Bias��������������������������������������������������������������������������������������������������������������������� 60
Sampling Bias������������������������������������������������������������������������������������������������������������������������ 61
More Data Collection Problems��������������������������������������������������������������������������������������������������� 62
Recognizing and Reducing Bias�������������������������������������������������������������������������������������������������� 64
Understanding Outliers���������������������������������������������������������������������������������������������������������� 64
The Consequences of Bias���������������������������������������������������������������������������������������������������������� 65
Summary������������������������������������������������������������������������������������������������������������������������������������ 65
Chapter References�������������������������������������������������������������������������������������������������������������������� 66

Chapter 7: Dataset Examples and Use Cases��������������������������������������������������������� 67


The Titanic Survivor Dataset������������������������������������������������������������������������������������������������������� 67
The IBM Employee Attrition Dataset�������������������������������������������������������������������������������������������� 68
The Internet Movie Database (IMDb)������������������������������������������������������������������������������������������� 69
US Hurricane Data����������������������������������������������������������������������������������������������������������������������� 70
UFO Sighting Data����������������������������������������������������������������������������������������������������������������������� 71
Lessons Learned������������������������������������������������������������������������������������������������������������������������� 72
Useful Dataset Sources��������������������������������������������������������������������������������������������������������������� 72
Summary������������������������������������������������������������������������������������������������������������������������������������ 73
Chapter References�������������������������������������������������������������������������������������������������������������������� 73

Chapter 8: Cleaning Your Data�������������������������������������������������������������������������������� 75


Data Cleaning Challenges����������������������������������������������������������������������������������������������������������� 75
Assessing Data Quality���������������������������������������������������������������������������������������������������������� 77
Software and Methods for Data Cleaning����������������������������������������������������������������������������������� 77
General Procedures��������������������������������������������������������������������������������������������������������������� 77
Microsoft Excel���������������������������������������������������������������������������������������������������������������������� 78
R Project�������������������������������������������������������������������������������������������������������������������������������� 79
Python����������������������������������������������������������������������������������������������������������������������������������� 84

vii
Table of Contents

Operating System Utilities����������������������������������������������������������������������������������������������������� 88


AI/ML-Based Software����������������������������������������������������������������������������������������������������������� 89
Summary������������������������������������������������������������������������������������������������������������������������������������ 90
Chapter References�������������������������������������������������������������������������������������������������������������������� 90

Chapter 9: Good Data Analytics������������������������������������������������������������������������������ 93


What Is Good Analytics?�������������������������������������������������������������������������������������������������������������� 93
Big Data Analytics������������������������������������������������������������������������������������������������������������������ 94
Data for Good������������������������������������������������������������������������������������������������������������������������������ 95
Summary������������������������������������������������������������������������������������������������������������������������������������ 97
Chapter References�������������������������������������������������������������������������������������������������������������������� 97

Appendix A: Recommended Reading���������������������������������������������������������������������� 99


B
 ooks������������������������������������������������������������������������������������������������������������������������������������������ 99
Websites����������������������������������������������������������������������������������������������������������������������������������� 100
Oldies but Goodies�������������������������������������������������������������������������������������������������������������������� 101

Index��������������������������������������������������������������������������������������������������������������������� 103

viii
About the Author
Dr. Harry J. Foxwell teaches graduate data analytics courses
at George Mason University’s Department of Information
Sciences and Technology. He draws on his decades of
prior experience as a Principal System Engineer for Oracle
and for other major IT companies to help his students
understand the concepts, tools, and practices of big data
projects. He is a coauthor of several books on operating
systems administration and is a designer of the data analytics
curricula for his university courses. He is also a US Army
combat veteran, having served in Vietnam as a Platoon
Sergeant in the 1st Infantry Division. He lives in Fairfax,
Virginia, with his wife Eileen and two bothersome cats. Find out more about him at
https://cs.gmu.edu/~hfoxwell/.

ix
About the Technical Reviewer
Thomas Plunkett has extensive experience with big data and data analytics. He has
taught university courses on related technical topics.

xi
Acknowledgments
I have benefited greatly from valuable encouragement and support for this work from
numerous colleagues at George Mason University. Dr. James Baldo, Director of the Data
Analytics Engineering program, provided helpful early advice and focus suggestions.
And special thanks to Ms. Vidhyasri Ganapathi, Teaching Assistant for several of my data
analytics courses, for identifying students’ challenges in learning and practicing data
science and for confirming their need for this guidance in preparing good datasets.

xiii
Introduction
Extracting actionable knowledge from data is a major ongoing challenge of modern IT in
corporations, governments, and academia. Creating effectively usable datasets requires
an understanding of data quality issues and of data types and the related analytics which
can properly be applied. There are numerous data analytics resources – books, articles,
blogs, and even commercial software – describing how to clean up and transform
data after it has been collected, yet there is little practical guidance on how to avoid or
minimize the typical “data cleaning” tasks beforehand. Such guidance and best practices
are needed to eliminate or reduce lengthy dataset preparation.
Data analysts are often simply presented with datasets for exploration and study
which are poorly designed, leading to difficulties in interpretation and to delays in
producing usable results. In fact, some analysts report spending up to 80% of their
time just getting data ready to be explored so that it can be effectively interpreted.
And much data analytics training and published resources focus on how to clean and
transform datasets before serious analyses can even begin. Inappropriate or confusing
representations, unit of measurement choices, coding errors, missing values, outliers,
and others can be avoided by using good data item selection, good dataset design and
collection, and by understanding how data types determine the kinds of analyses that
can be performed.
Why not create good data from the start, keeping in mind how it will be used,
rather than fixing it after it is collected?
Creating Good Data discusses the principles and best practices of dataset creation
and covers basic data types and their related appropriate statistics and visualizations.
Following these guidelines results in more effective analyses and presentations of
your research data. A key focus of this book is why certain data types and structures
are chosen for representing concepts and measurements, in contrast to the usual
discussions of how to analyze a specific data type once it has been selected.

xv
CHAPTER 1

The Need for Good Data


Without data you’re just another person with an opinion.
—W. Edwards Deming, Data Scientist [1]

Learning about data analytics tools and methods typically begins with discussions of
how to prepare a given dataset for analysis. The reason for this is that many datasets
have problems – defects in design, missing or incorrect data items, and non-standard
file formats. This often leads to lengthy and complex tasks required to produce datasets
ready for efficient analysis. Unfortunately, the critical first step – understanding the
nature of data representation – is frequently missing or not sufficiently addressed in
resources about data analytics, especially for practitioners just starting their technical
careers. Thus, in this chapter, we start with the detailed understanding of data – what it
is, how it is expressed, and what we mean by “good” and “bad” data. Only by basing your
analyses on good data will you produce trustworthy interpretations of your research,
leading to good decisions and knowledge-based actions. Let’s get started.

Who This Book Is For


The demand for data analytics professionals is growing dramatically. Universities are
scrambling to train new analysts and scientists, and this is reflected in the number
of new courses, books, and other resources which focus on tools and methods for
extracting knowledge from data. Creating Good Data focuses on the starting point for
analysis – data creation – for those whose tasks include gathering and interpreting data
from any discipline:

• Industry, business, and academic researchers and practitioners –


anyone who makes decisions based on data analytics

1
© Harry J. Foxwell 2020
H. J. Foxwell, Creating Good Data, https://doi.org/10.1007/978-1-4842-6103-3_1
Chapter 1 The Need for Good Data

• New data analysts and data scientists starting their careers

• Corporate trainers and university instructors who teach data


analytics

• Students who are learning methods and tools for exploring data

Assumptions
We assume you have a basic knowledge of statistical methods and tools for summarizing
and visualizing datasets, including using tools such as R, Python, and SQL, and perhaps
some familiarity with commercial software such as SAS, SPSS, and Tableau. Many of you
likely already have a library of data analytics texts and other resources that cover data
cleaning and presentation, but who would like “early intervention” in dataset design.
All professionals in the rapidly growing data analytics field can benefit from
instruction on creating data themselves or on guiding others who will create datasets
for their analyses. Data analysts who are called upon to explore and explain other
researchers’ data can thus guide and encourage the creation of better datasets.
Readers of Creating Good Data will use it regularly as a reference, for practitioners
as well as for students taking data analytics courses. The book can also serve as a
supplementary textbook for such courses.
By the end of Creating Good Data, you will understand

• Principles and best practices for creating and collecting data

• Basic data types and representations


• How to select data types, anticipating analysis goals

• Dataset formats and best practices for creating and sharing datasets
• Examples and use cases (good and bad)

• Dataset creation and cleaning tools

And you will be able to create datasets that

• Clearly represent the measurements, quantities, and characteristics


relevant to your research

• Minimize time-consuming data cleaning prior to analysis

• Permit clear and accurate statistical summaries and visualizations

2
Chapter 1 The Need for Good Data

Brief code examples from R, Python, and SQL will be included, but this book is not
intended to be a complete tutorial for data analysis coding in those languages – there are
plenty of those [2,3,4]. Our focus will be on dataset format and data representation using
those programming tools.

The Importance of Getting Data Right


Research and exploration of any kind frequently starts with an idea, inspiration, or
curious observation about some phenomenon. Then some claim is made about the
nature of that phenomenon. Data provides evidence for or against the claim. Without
evidence – good evidence (i.e., good data!) – such claims are essentially worthless. And
we approach the process of validating or falsifying the claim with a scientific attitude [5].
That is, we care about evidence and will change our assumptions and theories if new
evidence requires such change. That’s why the field of data analytics (the “synthesis of
knowledge from information”) is part of data science:
…the extraction of useful knowledge directly from data through a process of
discovery, or of hypothesis formulation and hypothesis testing. [6]
A data scientist must therefore understand and implement the concepts, tools, and
processes necessary to create, manage, and extract value from data, from the creation
of the data through to the decisions and actions based upon the analytical results.
Figure 1-1 illustrates a typical data analytics process. In this book, we focus on the initial
steps needed to produce good data and to minimize time-consuming data cleaning and
transformation tasks.

Figure 1-1. Typical steps in the data analytics process

3
Chapter 1 The Need for Good Data

What Exactly Is “Data” and Where Does It Come From?


Informally, “data” can be thought of as any collection of symbols representing a set of
measurements or observations about some event or occurrence. Other meanings might
include lists of “facts” or “statistics,” although any collection of words, documents, web
pages, and emails can also be considered data. Some such data is purposely designed
and collected, as in scientific studies, but other data might be considered “accidental” –
likely no one purposely designed Twitter as a formal data collection system, yet today it
has evolved into a rich mine of useful knowledge about political and social sentiment,
and even a source of information about public health and disease epidemic outbreaks.
More specifically, and we will say more about this in the next chapters, data consists
of numbers, characters, words, images, and other symbols, which have definitive types
and characteristics that directly imply how to summarize and visualize their meanings
and relationships.
Our interconnected, digital world is awash with digital data. Social media,
commerce and business records, scientific measurements, sports statistics, government
records, traffic surveillance, health records, wearable devices – the list is endless. The
sheer amount of that data and the speed with which it comes at us is enormous and
growing rapidly. For example, in a single minute of Internet activity, shown in Figure 1-2,
nearly half a million Tweets, a million Facebook logins, almost two million emails, and
18 million text messages are happening, and that’s just mostly from social media and
from personal and business communications.

4
Chapter 1 The Need for Good Data

Figure 1-2. Data generated during a single Internet minute in 2018 [7]
www.visualcapitalist.com/internet-minute-2018/

What Is “Good” Data?


Good data comes from explicit design and collection decisions about how to represent
individual data items and how to present them in a dataset. It permits timely,
informative, and ethical analytics and conclusions. Good data items have several critical
characteristics needed to ensure valid and useful analysis:

• Accuracy

• Measurements and characteristics must correctly reflect what is


being observed.

5
Chapter 1 The Need for Good Data

• Relevance

• Items selected for analysis must directly relate to the


phenomenon being studied.

• Representative

• Data types must be chosen appropriately to reflect what is being


studied.

• Well-defined
• Data items’ meanings must be unambiguously defined in a
schema, metadata, or data dictionary.

• Complete

• Selected data items must include all potentially relevant


measurements and characteristics.

• Granular

• Selected data types should have sufficient range and detail to


capture the full variability of the data items.

“Data are people” [8]. Getting data “right” can have important, at times life-critical,
consequences – like data from testing the effectiveness of the Ebola vaccine, calculating
consumer financial decisions based on credit scores, or determining sentences for
crimes. Awareness and ethical practices concerning human-relevant data should always
be implemented in data selection and dataset management.
Good data even has the potential for changing fundamental beliefs. The astronomer
Kepler was taught and strongly believed that planetary orbits must be perfect circles;
his Mars data proved otherwise and led to his famous formulation of the laws of motion
for the planets. And today, climate scientists produce and publish data with the hope of
convincing the world about the dangers of climate change. Bad climate study data and
analysis simply encourages dangerous climate change denial; good climate data has the
potential for changing minds.

Where “Bad” Data Comes From


Bad data, on the other hand, hinders or delays analysis and almost certainly results in
misleading, inaccurate, or even harmful conclusions. The well-known phrase “garbage

6
Chapter 1 The Need for Good Data

in, garbage out” succinctly describes this situation. The sources of bad data include pre-­
collection design decisions, collection errors, and post-collection interpretation errors.
Understanding these sources and planning to address them is essential to effective and
accurate dataset analysis.

Some Causes of Bad Data


“Bad” data is often the result of human error and poor planning. Obtaining good data is a
complex process with many opportunities for mistakes:
• Creation and pre-collection errors

• Methodological failures: Poorly designed experiments, surveys,


or instrumentation

• Bad documentation: Unclear definitions of terms and missing or


confusing schema, metadata, or data dictionary

• Misspecification of data types and formats: Misunderstanding


the purpose and selection of data types and forgetting or avoiding
standard data types

• Collection errors

• Poor collection instructions and methods: Lack of clear processes


for recording data

• Ineffective enforcement of data recording rules: Lack of


monitoring and oversight
• Misinterpretation of data items: Lack of clarity about item
meanings

• Transcription/typos: No checking or validation of recorded data

• Fraudulent answers/observations: Purposely misleading or


nonsensical responses

• Missing data: Failure to understand and correct reasons for


non-­answers

• Impossible, out-of-range data: No bounds checking on data items

7
Chapter 1 The Need for Good Data

• Post-collection and analysis errors

• Moving/copying: Recording or storage-related mistakes

• Misinterpretation: Misunderstanding meaning of data items or


responses

• Timeliness, data “rot”: Expiration of times, locations, or other


characteristics

• Some typical recording errors


• Recording numbers with leading zeros (0013 instead of 13)

• Using uppercase letter O for number zero (0); hard to spot

• Transposing letters or numbers (LA for AL, 32 for 23)

• Inconsistent use of naming conventions (Italy/Italia, US/USA,


Germany/Deutchland/Allemagne)

Preventive Action
Some data analysts report spending the majority of their time on a project cleaning,
transforming, and preparing their assigned datasets [9]. Obviously, this is costly in time,
money, and technical resources. And as Deming also points out, trying to solve this
problem after the data have been created is not an effective solution:
Inspection does not improve the quality, nor guarantee quality. Inspection
is too late. The quality, good or bad, is already in the product. —W. Edwards
Deming [1]
That is, the “product” – data – needs to be created from the start using practices and
components that at least minimize the “bugs” in your datasets. Of course, eliminating
all such problems is probably not possible, but if you can get off to a good start with your
analytical projects’ data, you will produce better and more trusted results.

8
Chapter 1 The Need for Good Data

S
 ummary
In this introductory chapter, we learned about the need for good data, what we mean by
“good” and “bad” data, and the origins of potential dataset problems. Minimizing such
problems requires awareness of how data collection can fail and by using procedures
that ensure quality project design and execution.
The next chapter examines the numerous data types and formats which can be used
to represent observations. Thoroughly understanding these data characteristics and
using them appropriately will help you significantly in designing and executing your
research.

C
 hapter References
[1] W. Edwards Deming Quotes, https://quotes.deming.org/

[2] Mailund, Thomas. Beginning Data Science in R. New York NY:


Apress, 2017.

[3] Hui, Eric. Learn R for Applied Statistics. New York NY: Apress,
2019.

[4] Nelli, Fabio. Python Data Analytics. New York NY: Apress, 2018.

[5] McIntyre, Lee. The Scientific Attitude. Cambridge MA: MIT


Press, 2019.

[6] NIST, Special Publication 1500-1: Big Data Interoperability


Framework: Volume 1, Definitions, 2017, https://bigdatawg.
nist.gov/_uploadfiles/NIST.SP.1500-1r1.pdf

[7] Desjardins, Jeff; “What Happens in an Internet Minute in


2018?,” Visual Capitalist, May 14, 2018, www.visualcapitalist.
com/internet-minute-2018/, used by permission.

[8] Ten simple rules for responsible big data research, https://
dash.harvard.edu/bitstream/handle/1/32630692/5373508.pdf

[9] Only 3% of Companies’ Data Meets Basic Quality Standards,


­https://hbr.org/2017/09/only-3-of-companies-data-meets-
basic-­quality-­standards

9
CHAPTER 2

Basic Data Types


and When to Use Them
Without a systematic way to start and keep data clean, bad data will
happen.
—Donato Diorio [1]

Decisions about how to represent data measurements for your research projects
have important consequences – they directly determine what kinds of statistical and
visualization methods can ultimately be used for analysis and presentation of your
results. This means you need to select representation types thoughtfully with your
analytical goals in mind while at the same time trying to avoid any form of bias in what
you decide to measure and what you anticipate your data exploration and analysis tasks
will look like.
When we consider a “type” for a data item, we need to specify its context and
purpose for our discussion. For programming languages, we define computational
data types (storage formats), such as integer (short and long), floating point (single and
double precision), character (single and multicharacter strings), Boolean (0/1, T/F),
and derived types such as pointers, how many bits or bytes they use, and how they are
referenced by the syntax of the language.
For data analytics, however, we focus on how a data item is to be used and
interpreted and so refer to analytical data types. Additionally, we categorize such data
items as qualitative or quantitative, and then we discuss how varieties within these two
categories represent specific measurement requirements.

11
© Harry J. Foxwell 2020
H. J. Foxwell, Creating Good Data, https://doi.org/10.1007/978-1-4842-6103-3_2
Chapter 2 Basic Data Types and When to Use Them

Numeric quantities and non-numeric measurements and characteristics can also


be classified into several subtypes depending on their levels of descriptive precision and
granularity. In this chapter, we discuss the varieties of analytical data types and review
their typical statistical and visual summary methods.

Four Analytic Data Types


Keep in mind that the purpose of data analytics is to describe, compare, and predict
useful insights about some phenomenon. Correctly choosing data types for those tasks
must therefore anticipate and enhance our ability to obtain those insights, and such
choices ultimately will determine the proper and relevant tools and methods that can be
used in our analyses.
Before you can describe a phenomenon and select a representation for it, you must
first understand and define it. Even for something as clear and “obvious” as a physical
quantity (e.g., mass) or as elusive as a mental attitude (e.g., prejudice), precise definition
is needed. This helps to avoid misinterpretation during later analysis. So, for example,
you might specifically define a survey respondent’s age as “the exact number of years
and months since their officially recorded birthday” or define their politics as “their
most recent registered membership in a recognized political party.” Only after properly
defining what you need to characterize can you select an appropriate representation
type. Such definitions must have the potential to capture the full range of possible values
for what is being measured or characterized.

Note There is no absolute correct way to represent a quality or quantity, only


what is helpful in description and comparison for your analytic requirements.

We will now discuss the four generally accepted data types, Nominal, Ordinal,
Interval, and Ratio (often abbreviated NOIR), and include brief Python or R code
examples to illustrate basic statistical and visualization methods for the data types
presented.

12
Chapter 2 Basic Data Types and When to Use Them

Nominal/Categorical Data
Nominal (also called categorical) measures are used to capture qualitative attributes that
have no size or extent characteristics. They are simply labels or names for some observed
attribute such as country of birth, occupation, manufacturing brand, or language
spoken. This also includes binomial (or dichotomous) characteristics such as true/
false, yes/no, or agree/disagree. Such measures explicitly have no implication of order
among the labels. For example, for a person’s primary spoken language (English, French,
Spanish, Farsi, Chinese, etc.), there is no implied order among the languages; you
can’t claim that French is “bigger” than English in any linguistic or mathematical sense
(unless perhaps if you are from France!). Moreover, you can’t do any kind of arithmetical
operations among the category members – there is no concept of a “mean language.”
A nominal data representation must have two important characteristics: its
categories must be exhaustive and mutually exclusive. Exhaustive means that the
categories cover all possible values in some manner, although there might be a generic
“other” category that encompasses multiple cases of low frequency or importance.
Mutually exclusive means there cannot be any cases that belong to more than one
category. Nominal data items might have many categories represented (e.g., country of
birth, where there are nearly 200) or only a few such as gender (male or female).

Tip Many studies have used gender as a qualifying nominal variable, but such
classification is not always well-defined and recent usage might include “other” or
specific “non-binary” values. Be aware of any such relevant ambiguities in the data
items you select for your analysis.

Because there is no implied quantity for a nominal data item, this limits the kinds
of summary statistics, visualizations, and comparisons that are allowable for analysis.
Nominal data item collections don’t have means, maxima or minima, or measures of
variability like standard deviations. All that is possible to characterize such data are
frequencies of occurrence – how many there are in each category, which can be expressed
as absolute counts or as percentages or proportions of the total. Visual summaries of
such data include various forms of bar charts and pie* charts. And when counting the
frequency of items in each possible category, the category with the largest number
of items is the mode (although there might be several categories with relatively high
frequencies, referred to as multimodal).

13
Chapter 2 Basic Data Types and When to Use Them

To illustrate nominal data (and subsequent data types), let’s examine a sample
synthetic dataset (constructed for illustration) of hypothetical college graduates, GD-­
Data.csv [3]. Only the first ten records of 500 are shown:

gender;age;degree;field;wrkfld;annsal;payfair;jobsat
Female;40;BS;Engr;Yes;78.0;4;4
Male;39;MS;Engr;Yes;64.0;4;4
Male;36;MS;Comp;No;70.0;3;4
Male;42;MS;Comp;Yes;85.0;5;3
NotSay;39;BS;Comp;Yes;71.0;5;3
Male;38;MS;Biol;Yes;113.0;3;4
Male;38;MS;Comp;Yes;84.0;3;3
Male;37;MS;Chem;Yes;61.0;3;2
Other;28;MS;Chem;Yes;72.5;3;2
Female;31;MS;Comp;Yes;73.5;4;3
...

Data fields and types in this dataset are defined as follows:

gender: Male, Female, Other, NotSay (String/Nominal)


age: years old (Integer/Ratio)
degree: BS, MS, PHD (String/Ordinal)
field: Engr, Comp, Biol, Phys, Chem (String/Nominal)
workfield: (working in field?) Yes, No (String/Nominal)
annsal: annual salary in $K (Float/Ratio)
payfair: (are paid fairly?) 1-5 (Integer/Likert)
jobsat: (are satisfied in job?) 1-5 (Integer/Likert)
...

As we see from Listing 2-1, field is a character string representing a category, so the
permissible analytics for this data item includes counts, relative frequencies, and bar
chart visualizations, as shown in Figure 2-1.

14
Chapter 2 Basic Data Types and When to Use Them

Listing 2-1. Descriptive statistics for nominal data item field

In[37]: data.field.value_counts()
Out[37]:
Biol    160
Comp    144
Chem    120
Engr     46
Phys     28
Name: field, dtype: int64

In[38]: round(data.field.value_counts(normalize=True),2)
Out[38]:
Biol    0.32
Comp    0.29
Chem    0.24
Engr    0.09
Phys    0.06
Name: field, dtype: float64

We can also produce this basic analysis using Python along with the pandas library
(Listing 2-2).

Listing 2-2. Sample Python code for a nominal data item field

import pandas as pd
data = pd.read_csv('.../Good_Data/GD-Data.csv', sep=';')
data
data.field.describe()
data.field.value_counts()
round(data.field.value_counts(normalize=True),2)
data.field.value_counts().plot(kind='bar')

15
Chapter 2 Basic Data Types and When to Use Them

Figure 2-1. Bar chart visualization for nominal data item field

Note that we see the counts for each field and easily see the mode (most common
field). As a general rule, use nominal data item methods when analyzing non-numeric
characteristics (qualities) that have no intrinsic order.

Hint If you have a large number of classifications represented in a set of data


items, consider grouping very low-frequency items into one category, such as
“other.”

O
 rdinal Data
A special case of nominal/categorical data is ordinal, where there is an implied
quantitative difference among the categories but not so specific as to allow for
mathematical comparison. In our example dataset, degree clearly has some quantitative
characteristic – the “amount” of educational training acquired. But there is no
mathematical interpretation of the relative differences in those amounts as specified.
Just like nominal data, summaries of ordinal data types use counts, frequencies,
percentages, and proportions, along with bar charts. You can use the same methods. For
example, Listings 2-3 and 2-4 and Figure 2-2 show statistics and bar chart visualization
for ordinal data item degree.

16
Chapter 2 Basic Data Types and When to Use Them

Listing 2-3. Sample Python code for a nominal data item degree

data.degree.describe()
data.degree.value_counts()
round(data.degree.value_counts(normalize=True),2)
data.degree.value_counts().plot(kind='bar')

Listing 2-4. Descriptive statistics for ordinal data item degree

In[52]: data.degree.value_counts()
Out[52]:
MS     286
BS     161
PHD     51
Name: degree, dtype: int64

In[53]: round(data.degree.value_counts(normalize=True),2)
Out[53]:
MS     0.57
BS     0.32
PHD    0.10
Name: degree, dtype: float64

Figure 2-2. Bar chart visualization for ordinal data item degree

Interestingly, depending on the domain and context of your study, what appears
to be a nominal data item could be interpreted as an ordinal data item. Take color, for
example. In some cases, only the color quality is interpreted (e.g., hair color: red, blond,

17
Chapter 2 Basic Data Types and When to Use Them

brown, black, etc.), but as a physical quantity/measurement, colors can have an implied
order: red > yellow > blue with respect to their wavelengths. Such distinctions arise from
the intended use of the data item and how it relates to other items in the dataset. As we
will see later in this chapter, calendar years can be interpreted as nominal or ordinal data
(and even interval or ratio under certain circumstances).

Special Ordinal Data Types


Certain ordinal data types can be a bit tricky to characterize and to select appropriate
summarizations for. Two such related ordinal types are ranks and Likert (pronounced
“Lick-ert”) scales.
Ranks are numerical assignments of order, as in class rank (e.g., graduating number
3 in a ranked class of 150). And like other ordinal data, there is no interpretation of
magnitude for a rank; that is, a rank value of 15 is not “5 times worse” than a rank value
of 3. In some instances, however, there might be value in reporting “average rank”
for comparisons of subsets of two or more ranked groups. One of the most common
calculations for ranked data is the ranked item’s change over time, for example, a
university’s prestige ranking increasing from tenth to fifth from one year to the next.
Rank scores can give rise to percentiles – a calculation of the proportion of a
population that fall below a specific value (or rank). For example, a child whose height
is reported as at the 35th percentile means that her height is greater than or equal to
35% of others in her cohort. An important point here is that certain typical summary
statistics such as the arithmetic mean are not valid for all data types; averaging medians
or percentiles is not mathematically valid since it hides the effect of extreme values. To
illustrate, the medians of the sets {50, 100, 150} and {50, 100, 1000} are the same.
The code in Listings 2-5 and 2-6 shows percentile calculations for annual salaries
(annsal) in the example dataset [3].

Listing 2-5. Sample Python code for computing percentiles for ratio data item
annsal
data.annsal.quantile(.10)
data.annsal.quantile(.25)
data.annsal.quantile(.50)  # the median
data.annsal.quantile(.75)
data.annsal.quantile(.90)

18
Another Random Document on
Scribd Without Any Related Topics
The Project Gutenberg eBook of
Utvandrarehistorier
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Utvandrarehistorier

Author: Konni Zilliacus

Release date: September 21, 2015 [eBook #50028]

Language: Swedish

Credits: Produced by Tapio Riikonen

*** START OF THE PROJECT GUTENBERG EBOOK


UTVANDRAREHISTORIER ***
Produced by Tapio Riikonen

UTVANDRAREHISTORIER
Af

Konni Zilliacus

Söderström & Co., Helsingfors, 1892.


INNEHÅLL:
Ett giftermål i nya världen.
Enoch Muponen på krigsstråt.
Det var väl förut bestämdt.
Pastor Lahti.
Huru Pekka fick förlåtelse för hästen.
Nikolaïpolka.
I den sista vagnen på tåget.

Ett giftermål i nya världen.

Daniel Tuominen stod försänkt i tankar utanför Castle Garden,


emigrantlandningsplatsen i New-York, och betraktade
emigranthajarna, hvilka i likhet med honom själf väntade på att
portarna skulle öppnas och släppa ut den hop gröngölingar, som en
halftimme förut anländt.

Skändligt var det, funderade han, att man inte mera fick komma in
dit såsom i den gamla, goda tiden, då hvem som hälst kunde gå in.
Det kunde numera bara de stora firmornas runnare göra, men för
fattigt folk voro portarna stängda. Ett sånt kontor skulle man ha vid
någon bättre gata, och bjuda skulle man dem, som hade uppsikten
där inne, på både ett och annat och dessutom trycka dem en sedel i
näfven då och då!

Tuominen hade inte någon särskildt elegant affärslokal, han. Och


inte låg den vid någon aristokratisk gata häller, utan vid Chenystreet,
som noga taget inte annat är än ett bustillhåll. Affären kallades
hotell och bestod af några s.k. sofrum ofvanför en snuskig sal, hvars
förnämsta möbel utgjordes af en lång disk. Under den fans plats för
några kuttingar och ett smärre ölfat och bakom, närmast väggen,
stod ett skåp med en hop vidunderligt formade flaskor, hvilka dock
voro till endast för grannlåtens skull, ty alt, som förtärdes, kom från
kuttingarna och fatet.

Men trots den snuskiga trakten och den mera än anspråkslösa


lokalen hade dess ägare förtjänat stora pengar på sitt "pianäss",
såsom han själf brukade uttrycka sig. Alt hvad finska sjömän hette
sökte likasom af instinkt upp Chenystreet, då de afmönstrat och
hade några månaders hyra på fickan. Och då förtjänades det
glupskt. Värden på hotellet var bankir, kassör och bokhållare på en
gång och tog därför hand om sina gästers kassor — för att de inte
skulle förstöra alt med ens — samt lämnade ut hvad de för dagen
kunde behöfva, om de nämligen tillräckligt bestämdt fordrade det.
Men därvid sörjde han naturligtvis för att det mesta söps upp i hans
egen lokal och när så gästens konto och f.d. kontanter balanserade
hvarandra jämt, kördes han ut helt enkelt, ifall han inte råkade ha en
något så när välförsedd sjömanskista att ställa såsom säkerhet för
en tids kredit.

Det var en ypperlig affär, enkel och lätt skött och med bara ett
enda fel — att det inte alltid fans tillgång på afmönstradt sjöfolk med
hopsparade hyror. Men då fingo emigranterna tjäna såsom
affärsobjekt i stället. De hade visst inte synnerligt godt om kontanter,
men kläder hade de vanligen i mängd. Och så voro de inte
nogräknade. Dem kunde man föra ihop fast ett dussin i samma rum,
och sedan alt hvad de ägde var förtärdt, kunde man ännu förtjäna
en styfver på dem genom att skaffa dem arbete. En till två daler per
hufvud fick man ju alltid af runnarne, som värfvade folk till trakter
dit ingen arbetare frivilligt ville gå, och det blef pengar också det
under årets lopp. Mängden gjorde det, och det var ingen konst att få
så många man kunde härbärgera till hotellet, så länge man fick
drifva omkring i Castle Garden och taga hand om dem genast de
kommo i land. Men den affären var nu slut för alla andra än de stora
firmorna och deras runnare plockade nog upp hvarenda en de fingo
tag på. Fattigt folk fick alt sitta emellan i Amerika som där hemma,
menade Tuominen, och därvid föll det honom als inte in att det
egentligen var han själf, som ville, men inte mera kunde sätta det
fattiga folket emellan.

Det värsta var emellertid att sjömansaffären också börjat sina. En


konkurrent hade öppnat en mycket finare lokal vid samma gata och
hade i sammanhang med hotellet, krogen och matserveringen
etablerat ett slags kommissionskontor för att skaffa sina gäster hyra
igen, när de väl supit upp alt hvad de egde. På så sätt ernådde han
den dubbla fördelen att först plocka kunderna på det de hade
hopsparadt och att sedan komma åt deras handpengar och förskott
på den nya hyran. Förskottens belopp bestämde han själf och
härmed också krediten — det var en fin affär i alla afseenden och
rakt ingen risk.

Tuominen svor invärtes hvar gång han tänkte på sin dumhet att
inte själf hitta på den briljanta kombinationen. Men nu ämnade han
inte längre sitta med händerna i kors och se på huru hans affär gick
åt fanders. Han hade också kommit på en briljant idé och det var för
att sätta den i värket, som han i dag och flera dagar förut kommit
ned till Castle Garden, ty nu var det just den tid på året, då
emigranterna från det gamla landet strömmade till New-York.
David Tuominen var ingen barnunge mera och hade sett litet
annat än bara bondlandet redan hemma i Finland. Såsom
landthandlande hade han varit med på åtskilliga marknader och
hade sett huru galna i hufvudet bondpojkarna blefvo, då de kommo
in på ställen, där sångsällskap uppträdde. Då var det inte mera fråga
om öl, utan både punsch och portvin bestäldes fram och ända till
markslantar hade Tuominen sett dem slänga på talriken, då
sångflickan bar omkring den och såg riktigt vänligt på dem.

Det var de minnena, som ingifvit honom den nya idén, hvilken
skulle rädda hotellet vid Chenystreet från undergång och slå
konkurrenten ur brädet. Han skulle ha sig en "pufätsik", såsom han
med ett schangtilt namn betecknade den tilltänkta lockfågeln. Men
finska skulle hon vara, ty hans kunder voro i allmänhet inte
synnerligt hemma i världsspråken och det visste Tuominen af egen
erfarenhet att en kurtis, där inte ordet kan användas såsom
känslovehikel, inte är rolig i längden.

Bland emigranterna kommo då och då också unga flickor från


hemlandet och en sådan skulle han värfva. Fick han bara tag på en
jänta af den rätta sorten, så kunde han gärna, om så skulle vara,
betala hela hopen mera än vanlig piglön, ty hon skulle ju inte uträtta
bara vanligt pigarbete, utan också dra kunder till affären och det var
alltid värdt ett par daler extra i veckan. Hufvudsaken var att träffa på
en af det rätta slaget. Då skulle nog de goda tiderna komma tillbaka.

Tuominens bleka, ölplussiga ansikte lystes upp af den förnöjelse


han erfor öfver de lofvande framtidsutsikterna, oaktadt han redan
flera gånger förut stått där och förgäfves mönstrat hvarenda kvinlig
emigrant, som med nyfiken och smått rädd uppsyn första gången
beträdde det förlofvade landets jord. Betänksamt drog han fram en
nästan helsvart cigarr ur innerfickan på sin rock, bet af spetsen och
skulle just till att tända pjesen, då dörrarna till Castle Garden slogos
upp och de första af de nyanlända visade sig. Han stack skyndsamt
cigarren tillbaka i fickan och tog ett par steg framåt för att på
möjligast nära håll kunna mönstra enhvar som kom och sålunda vara
säker att inte af misstag låta någon landsmaninna passera förbi.

Det var en brokig hop, som långsamt välde fram ur Castle Gardens
portar, genom hvilka redan så många högt flygande förhoppningar,
så många gäckade drömmar, så många brutna och sköflade lif tågat
fram mot en obekant framtid, hvilken nog för de flesta af alla de
många tusenden, som trampat den nötta tröskeln, blifvit långt ifrån
så ljus som de förestält sig. Gammalt folk, som först efter långt och
allvarligt öfvervägande beslutit sig för det svåra steget att lämna
hemland och vänner; unga, äfventyrslystna män och kvinnor, hvilka
fulla af hopp och ljusa framtidsutsikter blott längtade att få börja på i
guldlandet, som skulle gifva dem alt det de icke kunnat hoppas att
vinna där hemma; män med ett stormigt föregående tydligt prägladt
i dragen, tvungna att börja på nytt i en annan del af världen än den
som bevitnat deras förra nederlag, och slutligen den stora hopen af
värkliga arbetare, som kommit blott för att förtjäna en större
dagspenning än hemma, för att få äta sig ordentligt mätta hvar dag
och för att möjligen få ihop litet utöfver de dagliga behofven, att
användas i framtiden af dem själfva eller för hustru och barn, som
stannat efter.

Det var en af de stora emigrantångarne, som kommit, och det


dröjde länge, innan den långa processionen af ett tusental
passagerare hunnit genomgå alla formaliteter inne i den fula, gamla
byggnaden och komma ut i det varma solskenet, som gaf
Batteryparken där utanför en sådan prägel af fridfull glädtighet som
om den legat hundrade mil från den rofgirigt väldiga staden, hvars
buller och dån endast dämpadt trängde fram mellan träden.

En om en kommo invandrarne, familjevis eller i större grupper af


landsmän från samma näjd, de flesta nyfiket gapande omkring, ifriga
att uppfånga den första skymten af det underbara land, där alla
kunna bli rika, medan andra liknöjdt vandrade framåt, väl vetande
att arbete är arbete öfveralt i världen och att endast de gynnade få
undgå de många motgångarna i början. Italienare i ifrigt pratande
och gestikulerande grupper; tyska familjefäder, med ängslig uppsyn
sökande hålla hustru och barn så tätt tillsamman som möjligt;
svenska jäntor i vidunderligt eleganta hattar, det första, synliga
jämlikhetstecknet; rysk-polska judar med lurande ödmjuk min och
klädda i den långa rocken med skörten ända ned till hälarna;
irländare med öfvermod och oförsynthet tydligt uttryckta i blick och
låter — en hel profkarta, med ett ord, på alt hvad Europa i
befolkningsväg kan vara af med, drog där förbi Tuominens späjande
ögon.

Men han såg ingenting annat än en hop människor, som inte


företedde några af de bekanta hemlandsdragen i dräkt och typ. Ty
finnarna voro som vanligt de sista. De hade hållit ihop under hela
resan och väntade nu lugnt tills alla de andra voro affärdade för att
inte bli åtskilda i sista minuten. De skulle ju ändå så godt som alla
upp till kontoren vid State street för att uträtta ett och hvarje, höra
efter bref, fråga sig för om arbetsutsikter o.s.v. såsom de af andra
amerikafarare hört att man hälst bör göra.

Slutligen kommo de första af dem i sikte. Tuominen tog ytterligare


ett par steg framåt, ty bedrog han sig inte, så skymtade där något
kjoltyg bakom den första gruppen af män, som syntes i dörren.
— Välkomna till Amerika, gossar! ropade han redan på håll till
dem, likasom med en glad aning om att hans hopp inte i dag skulle
bli sviket.

Nykomlingarna sågo endast smått nyfiket på honom. De hade


blifvit tillräckligt varnade för alla de skojare, som drifva omkring i
New-York och visste nog att också landsmän finnas bland det följet.
Den där pratmakaren var väl en sådan gynnare; bäst således att inte
als inlåta sig med honom?

Men Tuominen lät inte afspisa sig så lätt, ty nu såg han att han
inte misstagit sig. Där kom värkligen en duktig, rödblommig flicka i
sällskap med ett par karlar och hennes utseende slog an på
Tuominen i högsta grad. Inte såg hon ju alldeles så ut som han i
tankarna utmålat den blifvande pufätsiken, därtill liknade hon altför
litet sångflickorna sådana han kom ihåg dem, men där fans ett visst
något hos henne i stället, som gjorde att Tuominen sväljde ett par
tag och som kom hans vattiga ögon att blänka. Hon skulle nog
kunna locka sjömanskunderna tillbaka till hotellet!

— God dag, god dag! sade han, då sällskapet passerade förbi.


Hvarifrån kommer ni go' vänner?

Flickan och hennes följeslagare dröjde något, men svarade


ingenting. Det föreföll dem så underligt att redan vid första steget
här i det främmande landet höra sitt eget språk.

— Hvart gäller vandringen? fortsatte Tuominen i samma vänligt


beskyddande ton, i det han jämte dem gick framåt vägen. Jag är
gammal New-Yorkbo, så jag kan nog hjälpa er med ett och hvarje,
om det är något ni vill veta besked om.
— Vi ska upp till kapten Jeansons, svarade den ena af karlarna
halft motvilligt, och höra åt om arbete.

— Flickan också? är hon ute på arbetsförtjänst, så kunde jag


kanhända ge henne ett godt handtag.

— Visst är jag det, svarade den tillfrågade kort. Den mönstring


han i en hast låtit den nya bekantskapen undergå hade synbarligen
inte söft hennes misstro mot folket i New-York.

— Nå om så är, så kunde vi måhända komma öfverens genast,


sade Tuominen, besluten att så vidt möjligt gripa tillfället i flykten.
Jag har ett hotell här i New-York och behöfver en duktig flicka för att
se efter ett och annat. Här i landet duger tjänstefolket inte mycket
till och därför betalar jag gärna hög lön, bara jag får någon som
duger. Hvad sägs om fyra daler i veckan? och eget rum och alt fritt
förstås? och två frikvällar? Det är annat det än att tjäna hemma för
trettio mark om året och staten!

Magdalena Jussila tvärstannade och stirrade med förvånadt


vidöpna ögon på frästaren. Fyra daler i veckan — tjugu mark! Karlen
måste ju vara förfärligt rik — men så hade han också ett hotell. Inte
såg han särdeles prydlig ut där han stod i solskenet, som bragte den
grågula, snuskiga blekheten i hans feta ansikte att sticka af så fult
mot de sura, rödkantade ögonen. Men han var fint klädd och det
mera än uppvägde det mindre behagliga intrycket i öfrigt, för hvilket
Lena inte gjorde sig närmare reda, ehuru hon nog kände det. Och
dessutom betydde ju alt annat platt ingenting i bredd med utsikten
att få tjugu mark i veckan — i veckan! Med bara en månads lön
kunde ju modren och syskonen hemma på torpet lefva ett halft år!
I en blink drogo dessa tankar genom hennes hufvud och hon var
redan färdig att utan vidare svara ja, då en af männen öppnade sin
mun till en misstrogen fråga om Tuominen också talade sanning och
värkligen var den han gaf sig ut för.

— Joo, det kunde han svära på. Och ville de inte tro honom, så
kunde de ju höra åt på Jeansons kontor. Herrarna där kände honom
nog och han hade visst ingenting emot att följa med dit.

Gruppen satte sig i rörelse igen med Tuominen och Lena i spetsen.
Han agerade ciceron och kavaljer, berättade och beskref om
Batteryparken, visade pelarjärnvägen, under hvilken de gingo, och
lugnade i öfverlägsen ton Lenas förskräckelse, då ett tåg i ursinnig
fart brusade fram genom luften högt öfver deras hufvuden.

Hon lyssnade nog till hans ord och fick genom dem ett dunkelt
intryck af hans öfverlägsenhet och kunskap om alt möjligt, men hela
tiden hörde hon bakom dem likasom en tung klang af silfverslantar
och orden: fyra daler i veckan — tjugu mark! surrade rundt i hennes
hufvud. Det var ju rent af att bli rik med ens — mången
hemmansbonde i Finland hade inte så stora inkomster.

Utkomna ur parken gingo de öfver gatan och inträdde på


emigrantkontoret. Det var fyldt af nykomna invandrare, som kommit
dit i liknande ärenden och nu undrande gapade på de ståtliga
bilderna af stora ångfartyg, som prydde väggarna, på de grant
utstyrda tidtabellerna och annonsplakaten, som lågo kringströdda
öfveralt, och icke minst på de flitiga herrarna, som i skjortärmarna
kommo och gingo innanför den långa, finpolerade disken, skrefvo
och raspade, besvarade frågor och gåfvo upplysningar.
Tuominen armbågade sig utan vidare fram genom trängseln,
dragande Lena vid handen så nära till disken som möjligt, och
tilltalade på finska en af kontoristerna.

— Var god och säg den här flickan, sade han tvärsäkert, om jag är
karl att betala henne fyra dalers lön, ifall hon tar tjänst hos mig.

— I veckan, tillade Lena med eftertryck.

— Ämnar ni taga tjänst hos honom där? frågade kontoristen,


pekande med en smått föraktlig åtbörd med sitt pennskaft på
hotellvärden.

— Jo, nog tänkte jag så, om han bara är den han ger sig ut för.

— Nog har han råd att betala så mycket och mera till om det
gäller, men inte är det något godt ställe ni kommer till.

Tuominen kastade en ilsken blick ur sina sura ögon på den unga


mannen, i det han buttert anmärkte att han aldrig gjort något ondt,
men i Lenas minne dök som en blixt upp en af de varningar hon fått
med på vägen af klokt och erfaret folk.

— Är det — — — är det ett sådant där dåligt ställe? frågade hon


med en sådan min af förskräckelse att kontoristen inte kunde låta bli
att draga på munnen.

— Nej, nej, sade han lugnande. Det är det inte, men karlar
komma dit i mängd af alla möjliga slag och de dricka och — — —

— Det är jag inte rädd för, afbröt Lena med en säker knyck på
nacken. Karlar hade hon nog sett förut, både fulla och nyktra. Var
det inte något värre, sade hon, så skulle hon nog taga tjänsten.
Därvid blef det. Kontoristen hade annat göra än att hålla tal om
världens falskhet för obstinata bondjäntor, som ändå till slut gjorde
ackurat såsom de själfva ville. Han höjde på axlarna och vände sig
till en annan kund, som frågat besked om något, medan Lena anhöll
om upplysning af sin blifvande husbonde om, när hon skulle komma
i tjänst, huru hon skulle få upp sin kista från Castle Garden o.s.v.

Det åtog han sig alt att uträtta. Hon skulle bara följa med och
vänta, medan han bestyrde om en expressman, så kunde de sedan
genast begifva sig till hotellet. — Men hade hon inte någon i följe
med sig, som hon ville taga afsked af?

Nej, ingen annan än de reskamrater hon träffat på ångbåten, hon


var helt ensam. Och orlofsedel hade hon inte häller, hon hade aldrig
tjänat förut, men prästbetyg och pass hade hon i kistan.

— Sådant frågas här inte efter, upplyste Tuominen öfverlägset. Det


är ett fritt land, där man är sin egen herre.

Det föreföll Lena underligt. Alldeles som lösdrifvare allihop. Men


hon för sin del var ju dokumenterad i alla fall och hvad andra voro
rörde henne inte.

Hon tog afsked af några reskamrater, som också kommit upp till
kontoret, och tågade därefter i väg med sin nya husbonde, tillbaka
ned till Castle Garden. Där blef alt klart i en handvändning, och
därifrån gingo de till pelarbanans närmaste station.

Folkmassan, som välde i två oafbrutna strömmar upp och ned i


den höga, smutsiga trappan, bullret och sorlet på gatan, dånet af ett
par tåg, som rusade förbi uppe i luften innan Lena och hennes
följeslagare hunno upp, tjutet af ett halft dussin tidningspojkar och
skoputsare, som gjorde affärer på gatan nedanför — det
tusenstämmiga larmet med ett ord af det brusande, rastlösa lifvet i
en världsstad, hvaraf hon nu för första gången hörde och såg något,
gjorde Lena rädd och kom hennes hufvud att svindla, så att hon
nästan kände sig sjuk. Och sedan de klämt sig in i den fullpackade
järnvägsvagnen och rasslade i väg mellan husraderna, i höjd med
tredje våningens fönster, vände i hisnande skarpa kurvor kring
gathörnen, dånade fram öfver taken af lägre byggnader och långt
under sig sågo den mylrande hopen af människor, hästar och åkdon
på gatorna — då blef Lena helt blek af skrämsel och grep ofrivilligt
tag i Tuominen, som om han behöft stöd.

Han sökte lugna henne med att det als inte var någon fara på
färde, men inom sig smålog han öfver sin goda tur. Just en sådan
dum stackare, som ingenting begrep, var det han behöfde. Henne
blefve det nog inte svårt att få till hvad som hälst.

Omsider anlände de till afstigningsstationen och efter en kort


vandring till hotellet vid Chenystreet. En och annan karl, som mötte
dem, hälsade ovanligt vänligt på Tuominen och syntes böjd för att
inleda samtal, men Lenas husbonde bara såg småslug ut och gjorde
en åtbörd, hvilken kunde tydas såsom: senare, nu har jag inte tid.

Krogsalen var öde och tom, så när som på gamla Wehkalainen,


husvakten, som satt och såg på sin pipsnugga bakom disken, halffull
och nöjd med sin lott. Han logerade alltid hos Tuominen då han var i
land, ända sedan han för sex år tillbaka första gången råkat taga in
där. Då hade han supit upp hela sin hyra inom huset och hade sedan
fortsatt att supa på kredit, tills också den var slut och han sålunda
tvungits att taga hyra på nytt. Sedan dess hade han regelbundet
efter hvar resa hemtat sina pengar till Tuominen för att afbetala sin
skuld, men det hade inte ännu lyckats. Hvar gång han tog ny hyra,
fick han veta, att han igen var skyldig en hel hop dalrar för logis och
mat och whisky och därför kom han alltid tillbaka. Och då han ju
ingenting bättre hade att göra, var han villig nog att agera husvakt
och sköta rörelsen när Tuominen var ute.

Lena såg sig omkring med en viss förvåning i sitt trinda, fryntliga
ansikte. Inte hade hon ju sett många hotell, men nog hade hon, att
döma af hvad hon hört, förestält sig att de sågo litet finare ut.

Tuominen var inte sen att märka det mindre behagliga intrycket.

— Här skall snyggas upp öfveralt, skyndade han att försäkra.

— Det tål vid, sade Lena, hvar är köket?

— Ah, dit hinna vi nog, menade Tuominen. Inte skall du stå i


köket i alla fall, utan här inne skall du vara och hjälpa till att passa
upp och städa rummen. Kocken har ensam att göra med köket.

Kocken! Det lät ståtligt i Lenas öron. Hon kunde ju inte veta att
kocken var en gammal, försupen matros, som gick på träben sedan
ett storartadt fylleri med slagsmål för ett antal år sedan nere på ett
varf, och som därför var glad att få sköta grytorna på Tuominens
hotell för bara tak öfver hufvudet, maten och några utslitna
klädesplagg då och då.

— Nå, och mitt rum? frågade Lena vidare.

Jo, det kunde Tuominen visa. Han hade själf klistrat upp nya
tapeter i ett litet kyffe i öfra våningen, sedan Wehkalainen
hvitlimmat taket, och trodde därför att Lena skulle bli förtjust öfver
ståten. Men han hade glömt att låta skura golfvet och tvätta
fönstret, hvilket häller inte varit öppnadt under de år han bott i
huset, så att den blandade doften af gammal tobaksrök, dålig sprit,
surt tapetklister och inbitet snusk var ohygglig, medan golfvets
naturliga färg var omöjlig att upptäcka under de otaliga hvita
fläckarna, hvilkas kalkfärg så bjärt stack af mot den svartbruna
bottenkulören af tobakssaft och smuts.

— Här ser ut som i en svinstia, sade Lena förargad, så snart hon


kastat en blick i rummet. Och inte ens lås har ni för dörren. Här
sofver inte jag, om jag inte får ett ordentligt lås. Och skuras måste
här strax, innan kistan och sängen tagas in. Får jag en birong också?

— Jo visst, försäkrade Tuominen, som alt ännu kände sig något


osäker om sin pufätsiks naturell, men var besluten att göra alt för att
ställa henne tillfreds. Och gungstol får du, och matta på golfvet.

Lena log så hon sken. Gungstol och matta! Det var nog inte något
fattigt ställe hon kommit till, fastän det syntes att ingen höll ordning
i huset. Men det skulle snart bli annorlunda, om hon bara fick göra
som hon ville.

— Kan man få en skurbalja? Och säg åt kocken — det tyckte Lena


ändå lät förbålt sturskt — att han sätter på en gryta så jag kan få
hett vatten. Här ska bli snygt innan kvällen.

— Hett vatten och kallt vatten med fins alltid i huset, sade
Tuominen. Här utanför, strax vid trappan fins två kranar — se här —
och dem behöfver man bara vrida på, så får man så mycket vatten
man vill, både varmt och kallt.

Lena spanade upp sina bruna ögon så de blefvo ännu rundare än


förut. Nog hade hon ju hört att Amerika var ett underligt land, men
att folk hade vatten i väggarna, så man bara behöfde låta det rinna,
det hade hon ändå inte tänkt. Och varmt vatten till på köpet!

Hon kände sig ännu mera hågad att begynna rengöringsprocessen


genast, tog af sig koftan och hufvudduken — den hade hon för öfrigt
beslutat att lägga bort så snart hon fick sin första lön och kunde
köpa hatt — samt började knäppa upp sin halfylleklädning så
ogeneradt som om hon varit hemma på torpet. Ty att skura med den
bästa klädningen på kunde aldrig komma i fråga.

— Hvar håller ni baljor och skurtrasor och så'nt? frågade hon


Tuominen, som inte riktigt visste hvad min han skulle hålla.

— Jag skall låta Wehkalainen hemta upp alt som behöfs, sade han
för att få litet uppskof, ty sådana artiklar hade inte ofta begagnats i
huset i hans tid. Och härmed gick han ned för att sätta husvakten i
värksamhet.

Men Wehkalainen befans inte synnerlig böjd för att skaffa ihop en
skurttiralj.

— Hvad är det för nya konster du nu hittat på? frågade han argt
så snart han fått klart för sig hvarom det var fråga. Här blir förb—dt
roligt, om kvinfolk ska' börja föra kommando — kan hon inte själf
söka rätt på hvad hon behöfver så — — —

— Jo, det kan hon och det ämnar hon också göra, afbröt Lenas
röst. Hon stod i dörren till trappuppgången, barfotad och i
lintygsärmarna, alldeles som hemma. Väntan hade redan blifvit
henne för lång.
Wehkalainen fick med ens lif och rörelseförmåga och Lena följde
med honom åt köket till, medan Tuominen slog i åt sig och tömde en
stor sup. Det var som om en aning sagt honom att den pufätsiken
kanske ändå inte, när alt gick omkring, skulle bli så alldeles lätt att
regera som han förestält sig.

Till en början lät han henne dock hållas, och följden däraf var att
hela hotellet inom några få dagar undergick en otrolig förvandling.
Fönstren voro så klara att man rent af kunde urskilja anletsdragen
hos folk som passerade förbi, den gamla krogdisken sken af
snygghet och petroleum och till och med glasen miste alla spår af att
ha varit i bruk mångfaldiga gånger sedan de sist tvättades. Ja,
själfva golfvet i krogsalen blef skuradt och beströdt med sand, sedan
Lena till sin bedröfvelse fått veta att enris inte stod att få i New-York.

Inte ens Tuominen kunde dölja för sig att hans hotell började se
helt prydligt ut och därför tystade han ned alla invändningar af
Wehkalainen, som kände sig husvill och borttappad i det stora
städningsstöket, med att han ingenting begrep och kunde gå sin väg
ifall han inte var nöjd. Ända ned i köksregionerna sträckte sig
rengöringsifvern och kocken förständigades en gång för alla att
framdeles hålla allting i snygt skick. Det såg nästan ut som om
regeringstyglarna helt och hållet öfvergått i Lenas händer.

Men det var något, som hennes husbonde als inte ämnade
tolerera i längden. Han var klok nog att inse huru förmånlig
förändringen var för affären, men för sin personliga del ansåg han
snygghetsbegäret vara en af dessa mänskliga dygder, hvilka mycket
lätt urarta till farlig öfverdrift. Och dessutom var han fullt upptagen
med skötandet af krogrörelsen de första dagarna, då alt hvad där
fans af ledigt sjöfolk i granskapet samlades för att få se en skymt af
Tuominens "pufätsik", hvarom ryktet spridt sig med otrolig snabbhet.

Det var inte mycket de nyfikna fingo se af henne så länge hon var
i de hetaste arbetstagen och hade inte Tuominen varit slug nog att
endast småningom och helt långsamt uppfostra henne till en
bufettmamsells värf, så är det ganska sannolikt att hans planer åt
det hållet als inte låtit sig förvärkligas. Hon skulle troligen inte gått in
på att dagarna igenom och vanligen långt in på nätterna passa upp
en hop mera eller mindre — oftast mindre — nyktra sjömän, hvilka
naturligtvis alla uppvaktade henne med en kurtis, hvars
huvudbeståndsdel utgjordes af handgripliga artighetsbetygelser. Men
till en början behöfde hon blott tre eller fyra gånger om dagen
komma in och diska glasen, en nyhet den Tuominen infört enkom för
att småningom vänja henne vid elden, och då föll det sig ju så
naturligt att bedja henne hjälpa litet här och där med serveringen,
en hjälp som påkallades alt oftare tills Lena om några veckor fann
sig upptagen med servering af öl och whisky från morgon till kväll.

Ty kundernas antal ökades för hvar dag. I den delen hade


Tuominens beräkningar till fullo slagit in. Och säkert är att de allra
flesta först drogos till stället af ryktet om Lenas trinda behag, om
också några sedan öfvergingo till stamkunder på grund af den
rådande snygga ordningen, en detalj hvari de andra
Chenystreethotellen als inte kunde täfla.

Tuominen småmyste dagarna i ända öfver sin utmärkta idé, lät


bjuda sig af sina kunder huru ofta som hälst och gick därför från
morgon till kväll i ett oafbrutet rus, under hvars inflytande han med
alt större välbehag kastade blänkande ögonkast på Lena. Hvar gång
hon snäste af någon kurtisör sken han af en långt intensivare
belåtenhet än den en husbonde vanligen erfar öfver sin tjänarinnas
dygd. Ja, en gång, då hon med en lika bastant som väl riktad örfil
afvisat ett försök af en upprymd lättmatros att draga henne ned i
knät och denne hotade att gifva lika godt igen, uppträdde Tuominen
till hennes försvar, ehuru han knappast kunde betvifla att resultatet
skulle bli sådant det blef — ett kok stryk.

Sådana uppträden — och noga taget hela sin ställning i huset —


tyckte Lena inte om. Nog hade hon ju också där hemma varit utsatt
för flera än ett kraftigt kurtisförsök och nog slogos karlarna där
också när de druckit, men här var det altsamman värre. Det
skymtade dunkelt i hennes medvetande något om att de, som här
kurtiserade henne, inte betraktade henne alldeles på samma sätt
som gossarna hemma, men hvad det var som gjorde skilnaden
kunde hon inte utgrunda. Och särdeles mycken möda med
funderingen däröfver gjorde hon sig för öfrigt inte häller, ty då hon
någon gång råkade tänka en tanke på att hon kanske borde söka sig
en annan plats, slog hon bort den med en annan på sina fyra daler,
dem hon bar upp hvar vecka. De hade redan — jämte
drickspengarna, dem hon snart lärt sig att taga emot — stigit till en
summa, som säkert skulle förefalla modern och syskonen obegripligt
stor, då hon om några veckor skickade dem hem.

Ty för deras skull var det hon begifvit sig ut i världen på egen
hand, då fadren dött och lämnat dem att själfva slå sig fram. Det
gick platt inte att få ihop så mycket från den lilla jordbiten, som
hörde till stugan, att det skulle räckt till för alla, och då hade hon
beslutit göra som andra flickor från hennes socken gjort förut. Några
af dem hade ju inom helt få år sparat ihop flera hundra dollars i
Amerika, och det blef rysligt stora pengar i finska mark. Om hon
också inte fick ihop mera än tvåhundra så kunde de redan därmed
köpa en hemmanslott. Och sedan ginge det nog att lefva.

Utomordentligt god tur hade hon ju haft, då hon redan första


dagen fått en plats med så stor lön, att hon på ett enda år kunde
spara ihop mera än den summan. Ty drickspengarna allena voro
mera än tillräckliga för alt hvad hon behöfde, isynnerhet då
husbonden alt emellanåt gaf henne presenter af sådana saker, som
hon annars skulle fått lof att köpa.

Det tyckte hon för öfrigt häller inte riktigt om. Han klappade
henne alltid då han gaf henne något, och då såg han så otäck ut, att
hon nästan mådde illa då hon tänkte på det. Men hon behöfde inte
låta märka att hon förstod något, så skulle han väl lämna henne i
fred. Med den trösten och en sista kalkyl öfver huru mycket hon
antagligen skulle ha hopsparadt vid årets slut somnade hon vanligen
från sina funderingar, dem hon aldrig hade tid att syssla med under
dagens lopp.

Sommaren gick under fortsatt blomstring af hotellaffären. Lena


snäste till kurtisörerna lika ampert som förut, sparade, arbetade och
kalkylerade likasom förut och kände sig stolt öfver att redan ha
skickat hem fulla femtio daler. Tuominen var aldrig mera riktigt
nykter. Han satt dagarna i ända i krogrummet, men gjorde ingenting
annat än drack med sina kunder. Och Wehkalainen hade tagit hyra
för en resa till Brasilien — d.v.s. han hade, nästan dödfull,
öfverlämnats åt en kapten, som inte på annat sätt kunde få ihop en
besättning för Rio Janeiro, där gula febern rasade alldeles ohyggligt
det året. Tillbaka skulle han inte komma förrän på senhösten, om
han alls kom tillbaka. Men undgick han farsoten, så var det en
ypperlig affär, ty hyrorna på Rio voro höga och det var underförstådt
med kaptenen att han inte skulle gifva ut en cent åt den gamla
suputen, innan de väl voro tillbaka i New-York. Alt tycktes gå
Tuominen väl i händer, och därför kände han sig vänligt stämd mot
hela världen och ingalunda minst mot Lena.

Det var noga taget den enda förargelse han egentligen hade, den
att Lena alls inte vänligt upptog hans försök att närma sig. Han
kunde ibland sitta långa stunder och betrakta henne, där hon rörde
sig bakom disken, flink och rund och treflig som alltid, och ju längre
han såg på henne desto mera blänkte hans sura ögon. Och råkade
Lena vid sådana tillfällen gå ut, så följde han genast efter, men rörde
han bara vid henne, så fräste hon till som en katt och sade att han
borde skämmas. Tuominen kände sig altmera förbittrad hvar gång
han tänkte på det och hade småningom arbetat sig upp till en
drucket envis begärelse, den han hvarken kunde eller ville bemästra,
utan tvärtom var fullt besluten att tillfredsställa så snart det föll sig
lägligt.

Alldeles lika kry till humöret som förut var Lena häller inte, ty
oaktadt trösten af de stora besparingarna kunde hon icke mera dölja
för sig att hon hade en mycket otreflig befattning. Husbonden hade
flera gånger visat hvad han förde i skölden, och några af de
afspisade kurtisörerna hade i hastigt mod låtit undfalla sig yttranden,
hvilka med all möjlig tydlighet ådagalade hvad de tänkte om henne.
Nu skulle det bara fattas att någon från hennes socken — och ett
par sådana funnos bland de stadiga kunderna — företog sig att
skrifva hem och berätta hvad de trodde om henne, så vore det förbi
med hennes goda namn och rykte. Och därmed naturligtvis också
med alla de vackra förhoppningar hon i allra största tysthet närde
om sin framtida ställning, då hon komme tillbaka och köpte sig eget
hemman. Många gånger hade hon redan allvarsamt tänkt på att
lämna altsamman och söka sig en annan plats, men alltid hade
tanken på de tvåhundra dollars hon åtminstone ville arbeta ihop
hållit henne tillbaka. Nu skulle det inte räcka länge mera, innan hon
igen hade femtio hopsparade, och då ämnade hon själf begifva sig
ned till kontoret vid Statestreet med dem i stället för att låta
Tuominen föra dem såsom förra gången. Hon ämnade tala med
herrarna där och fråga sig för om ett och hvarje, så att hon kunde
reda sig ifall hon lämnade hotellet, ty det hade hon klart för sig, att
om Tuominen inte lämnade henne i fred, så skulle hon gå, om hon
ock måste tjäna för hälften mindre lön.

Den väntade dagen, då summan var full, kom slutligen, och


Tuominen hade lofvat följa henne ned till kontoret. Först hade hon
gjort svårigheter, förmenande det vara onödigt att två gingo ut för
en sak, den hon mycket väl kunde uträtta allena. Men så slog det
honom att Lena, om hon nu skickade bort sina pengar, vore så godt
som fullständigt i hans våld åtminstone för en vecka. Då gaf han
efter, och då de begåfvo sig på väg i rätt god tid på morgonen, var
han till och med skäligen nykter och därför hygglig och vänlig utan
att vara närgången.

Lenas affär blef snart uträttad till hennes fulla belåtenhet, och då
föreslog Tuominen en promenad uppåt Broadway, som mylrade af
folk i det granna höstvädret. Lena kunde icke nog förvåna sig öfver
de präktiga butikerna och gapade på den bländande grannlåten i
deras fönster, tills hon kände sig yr i hufvudet och tröttare än om
hon en hel lång sommardag gått på höängen med räfsan i hand.
Också blef hon förtjust då Tuominen förde henne in på ett konditori,
som föreföll henne alldeles öfverdådigt fint, och bjöd henne på glace
och ett glas likör. Hon visste icke rätt hvad hon skulle beundra mest,
den granna lokalen, trakteringen eller sin husbonde, som rörde sig
så ogeneradt och med sådan oförskämd ledighet bland alt det fina
folket, att Lena kände sig helt öfverväldigad af hans
världsmannalater.

— Synd är det i alla fall, tänkte hon, att ingen tar hand om en
sådan karl. Om någon bara kunde hålla honom från brännvinet, så
skulle han snart bli rik och annars är han ju alldeles som en
herreman redan nu.

Hon var ovanligt undfallande, ja, nästan vänlig mot sin husbonde
under hemvägen och likaså när de voro hemma i hotellet igen, och
det gjorde att Tuominens ögon blänkte ännu mera än vanligt, då alla
de småsupar han efter hemkomsten inmundigat, senare på
eftermiddagen begynte göra sin värkan.

Krogen blef tidigt tom den dagen. Det hade inte kommit så många
kunder dit som vanligt under loppet af eftermiddagen, dels troligen
emedan lokalen varit stängd till långt in på dagen, dels emedan det
ovanligt varma och tryckande vädret, hvilket kommit som en
öfverraskning nu i Oktober, gjorde att de flesta hällre drefvo omkring
utomhus än sutto inne i ett kvaft och hett rum.

Lena satt vid det öppna fönstret och stafvade, väl för tionde
gången, igenom det bref, hvari modern berättade att hon fått den
första sändningen af femtio dollars — tvåhundrafemtio mark.
Tvåhundra voro insatta på sparbanken och de femtio skulle nog
räcka ända till våren, skref gumman, för henne och barnen, ty både
potäterna och rågen hade gifvit bra i år och grisen lofvade bli stor
och vacker till jultiden. Lena log ett belåtet löje, då hon förestälde
sig förvåningen och glädjen där hemma när den andra sändningen,
som i dag afgått, kom fram. Om hon nu bara kunde hålla ut ett halft
år till med samma lön som hittills, så kunde hon räkna på goda
tvåhundra daler i besparingar och då kunde hon gärna söka sig en
trefligare plats, fast med hälften så stor lön, ifall hon då ännu inte
hade lust att fara hem. Hon kände sig så nöjd med hela världen och
så tillfreds med sig själf, att hon till och med upptog Tuominens
försök att inleda samtal helt vänligt.

Men det räckte inte länge innan han blef obehaglig. Han gaf
allehanda vinkar och gjorde alt oförskämdare antydningar, så att
Lena fann det mycket svårt att bibehålla sin vänliga uppsyn, ehuru
hon nästan ansåg det vara sin skyldighet att visa sig tacksam för
hans tjänstaktighet tidigare på dagen. Slutligen sade hon att hon var
trött och gick upp på sitt rum, men kunde inte hindra att husbonden
i förbifarten tog henne om lifvet och klämde om henne en smula.
Hon gjorde sig lös och sade som vanligt fy, skäms! men inte med det
vanliga eftertrycket — det var som om hennes anständighetskänsla i
någon mån förslappats af den tyngande tacksamhetsskulden.

Då hon kom upp i sitt rum och sökte stänga dörren var låset i
olag, utan att hon kunde begripa huru det gått till. Men då för
tillfället inga andra gäster än ett par gamla matroser, som aldrig
betraktat henne med större vänlighet än de andra bohagstingen i
huset, funnos i huset och de dessutom längesedan gått till sängs
med ett grundligt aftonrus hvar, så kände hon sig på intet sätt orolig
öfver det defekta låset utan begynte lugnt kläda af sig.

Hon hade hunnit bra nog till slut därmed och sträckte behagligt på
sig, då hon tyckte sig höra steg i korridoren utanför. Och ögonblicket
därpå tog någon varligt i låset.

— Hvem är där? kom inte in! Hon svepte skyndsamt en kjol kring
axlarna.
— Blif inte skrämd, det är bara jag, sade Tuominens röst i
detsamma han stack in sitt rödmosiga ansikte. Han hade synbarligen
skrufvat upp kuraget med mera whisky.

— Hvad vill ni? nej, gå ut härifrån! halfskrek Lena, då han


öppnade dörren helt och hållet och kom in.

— Sch! inte vill jag dig något ondt. Han kom med något osäkra
steg öfver golfvet.

— Gå ut, säger jag! Låt bli mig! Skäms ni inte als?

— Seså, skrik inte, sade Tuominen, i det han sökte draga den
skyddande kjolen från flickans axlar, medan hon å sin sida höll i den
med en styrka som om alt berott på att hålla den kvar.

— Jo, jag skriker, om ni inte låter mig vara i fred. Och i morgon
dag går jag härifrån. Ut med er på eviga minuten eller skall ni få se
på annat!

Hon var värkligen skrämd nu och då Tuominen brutalt slet kjolen


ur hennes händer blef hon lika vred som skrämd. Utan att vidare
tänka på blygsamheten sprang hon upp, grep en dammborste, som
låg i ett hörn, och gaf Tuominen, då han åter närmade sig, ett lika
väl menadt som väl måttadt rapp öfver knogarna så hans hand föll
ned längs sidan.

— Ska' du slåss din f—n! ljöd hans röst ilsket, men slog öfver i en
gråtmild ton då han fortsatte: hvarför vill du inte vara litet hyglig mot
mig? Nog lär du ha haft vänner förut som alla andra, och jag är väl
inte sämre karl än de.

Det var att gjuta olja på elden.


— Ut med er! skrek Lena öfverljudt. Skäms att tala på det sättet!
Jag skall hjälpa er i väg, om ni inte packar er ut på fläcken. Och hon
avancerade, halfnaken som hon var, med damborsten i högsta hugg
och så resolut uppsyn att husbonden ansåg rådligast taga till
reträtten.

— Jag går, jag går, sade han. F—n som visste att du var så
argsint. Nog skall du få vara i fred för mig härefter, du lefver ju till så
hela nabolaget hör det.

Men den som inte litade stort på hans löfte att lämna henne i ro
var Lena. Hon stängde dörren så godt sig göra lät, drog sin kista
framför den och satte sig sedan, alt ännu andfådd och röd af
vreden, på sängkanten för att tänka öfver det skedda.

Jaså! det var således hvad de tänkte om henne! Trodde att hvem
som bara hade lust utan vidare kunde tränga in till henne — och
väntade kanske att hon skulle niga och tacka ännu på köpet. Låset
hade den lufvern först förstört, det hade nog ingen annan gjort, och
så kom han som en tjuf och en röfvare. Det här skall bli slut och det
i morgon dag.

Hon var så ond att hon nästan kände sig frästad att gråta, och för
att få någon afledare begynte hon genast tömma sina byrålådor och
packa deras innehåll i kistan, där den stod mot dörren.

Arbetet lugnade henne något så att hon kunde tänka klarare i


saken och då fick hon också syn på den andra sidan. Det var inte
utan att hon kände ett stygn af saknad då hon såg sig omkring i sitt
rum, som var så oändligt mycket prydligare än något hon förut haft
— ett riktigt herrskapsrum. Och pengar hade hon ju förtjänat
glupskt, hundra dollars på knapt ett halft år utom alt hvad hon köpt.
Nog var det bittert att lämna altsamman och kanske få vänta länge
på annan tjänst.

Så kom hon ihåg att hon inte hade mera än ett par dollars i behåll
sedan hon på förmiddagen skickat den stora summan hem till
modern. Det gjorde ställningen ändå svårare, men lika fullt vacklade
hon inte i sitt beslut. Följande dag skulle hon flytta och det utan
prut. Här i landet behöfdes ju inga orlofsedlar, det hade Tuominen
själf sagt, och då kunde ingen häller tvinga en att stanna till årets
slut.

Om flyttningen rörde sig sedan hennes tankar ända tills hon


somnade — efter det hon ändå gråtit en stump, när hela
osäkerheten af framtiden stod klar för henne.

Morgonen fann henne emellertid lika bestämd som någonsin. Då


hon kom ned var hennes husbonde redan i rörelse och i full färd
med att sopa krogsalen — det var som om han erfarit ett behof att
göra bot för föregående afton, och för att gifva något uttryck däråt
tog han till kvasten.

— Inte är du väl ond numera? sade han i den vänligaste ton som
stod honom till buds, då hon inte svarade något på hans "god
morgon".

— Ond eller inte, så stannar jag inte en dag till här i huset, ljöd
Lenas svar, hvilket nästan kom Tuominen att tappa kvasten, ty
sådana följder af sitt skämt, såsom han kvalificerade uppträdet, hade
han inte väntat. Nu först såg han också att hon var iförd sina bästa
kläder, som om hon ämnade sig ut.
— Du är väl inte tokig häller, sade han efter ett ögonblicks
betänkande, med ett försök att visa sig morsk. Hvad skulle du flytta
för? Om du inte vill, så vill du inte, det är altihop. Men inte kan jag
förstå hvarför du är så styf mot mig. Sämre vänner kunde du få.

— Kanhända, men jag är inte af den sorten ni tror och i dag flyttar
jag.

Nu ändtligen fattade Tuominen att det var fullaste allvar och


därmed gick det också i en blink upp för honom huru mycket som i
själfva värket stod på spel.

Hvem som drog kunder till hotellet visste han bättre än någon
annan. Inte var det han själf och inte var det varorna häller, det
hade han bäst reda på, som visste hvad de kostade i inköp. Och nu
skulle den, som hållit huset i ordning och fullt med folk dag in och
dag ut, lämna honom i stöpet bara för det han nojsat litet med
henne! Nej hällre skulle han då låta bli att ens se åt henne mera, om
så måste vara. Nog måste hon väl låta tala med sig.

Han hade tänkt snabbare än troligen någonsin förut i sitt lif, och
då han kommit till slut, slog han in på en helt annan tonart än förut.

— Kära barn, sade han i faderlig ton, nog måste du förstå att jag
bara skämtade. Vi ska' glömma hela saken och du skall få en riktigt
fin kappa till vintern bara du inte bråkar vidare. Nog skall jag hålla
mina händer från dig hädanefter, efter du är så granntyckt.

— Jag bryr mig inte om edra presenter och inte tror jag på edra
löften häller. Bort vill jag.
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and


personal growth!

textbookfull.com

You might also like