数据清洗是整个数据分析链路中非常重要的一个环节，能够提供更高质量的数据，同时供应挖掘材料。
一、介绍
在进行数据分析之前，自己拿到的数据大部分情况下都是不能够直接用的，会存在很多数据质量的问题，这个时候就需要我们先过滤一遍。
数据清洗是整个数据分析链路中非常重要的一个环节，能够提供更高的质量的数据，同时供应挖掘材料。
二、解决质量问题
解决各种数据质量问题的目的，包括但不限于：
- 数据的完整性 —— 例如，人的属性中缺少性别、籍贯、年龄等
- 数据的唯一性 —— 例如，不同来源的数据重复出现的情况
- 数据的权威性 —— 例如，同一个指标出现多个来源的数据，且数值不一样
- 数据的合法性 —— 例如，获取的数据与常识不符，年龄大于150岁。
- 数据的一致性 —— 例如，不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致。
数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据，提供给数据统计、数据挖掘等使用。
三、解决办法
1. 数据的完整性
思路：数据缺失，那么补上就好了。
首先判断能不能从源头上直接补上，这部分的数据缺失太多，是否研发那边某个埋点的功能异常，导致一些数据无法上报，这个时候需要找研发对接。
如果是正常的数据丢失率例如1%-2%左右，那么可以具体通过一下一些方式补偿数据：
- 通过其他信息补全，例如使用身份证件号推算性别、籍贯、出生日期、年龄等
- 通过前后数据补齐，例如时间序列数据确实了，可以使用前后的均值，缺得多了，可以使用平滑等处理。均值、中位数，或者自动向上或者向下补齐都是比较常用的方法。
- 实在补不全的，虽然很可惜，但也必须要剔除。但是不要删掉，没准以后用得上。
sql处理方式
#查看comm字段缺失数量
select sum(comm is null) from emp;
# 平均值填充
select ifnull(comm,(select avg(comm) from emp)) from emp;
# 也可以使用coalesce()函数，该函数将多个表达式或列作为参数，并返回第一个非空的值
select coalesce(comm,0) from emp; # 将null值填充为02. 数据的唯一性
思路：去除重复记录，只保留一条。
去重的方法有：
- 按主键去重，用sql 『去除重复记录』即可。
- 按规则去重，编写一系列规则，对重复情况复杂的数据进行去重。例如不同渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。
sql处理方式
# 去重单个字段
select distinct comm from emp;
# 使用group by + 聚合函数例如max，min，any_value
# 去重多个字段,设定一个student表，其中，同一个学生可能有两个age值
select name,any_value(age) from student group by name
select name,max(age) from student group by nameany_value()会选择被分到同一组的数据里第一条数据的指定列值作为返回数据
3. 数据的权威性
思路：用最权威的那个渠道的数据
方法：对不同渠道设定权威级别
4. 数据的合法性
思路：设定判定规则
- 设定强制合法规则，凡是不在此规则范围内的，强制设为最大值，或者判为无效，剔除
- 字段类型合法规则：日期字段格式为『2010-10-10』
- 字段内容合法规则：性别 in （男、女、未知）;出生日期<=今天
- 设定告警规则，凡是不在此规则范围内的，进行告警，然后人工处理
- 告警规则：年龄 > 110
- 离群值人工特殊处理，使用分箱、聚类、回归、等方法发现离群值
sql处理方式
# 使用where条件进行限制
select name,sex,age from student
where sex in ("男","女","未知")
and age between 0 and 1105. 数据的一致性问题
思路：建立元数据体系，包括但不限于：指标体系（度量）、维度（分组、统计口径）、单位、频度、数据。
tips：如果数据质量问题比较严重，建议跟技术团队好好聊聊。
供应算法原料的数据处理方式
相关推荐
-
win10系统更新错误（Win10升级更新失败错误代码大全及解决办法）
如果您的 Windows 10 升级失败并且您记下了错误代码，那么这篇文章将提供一些基本的解决方案来排除故障和解决问题。我们已经了解了如何解决 Windows 10 安装和更新失败错误。在这篇文章中，我将列出升级错误代码及其...
-
卧蚕眉的意思是什么（卧蚕眉与卧蚕意思解释）
"丹凤眼，卧蚕眉"，最典型的是古人对关羽面貌的描述。在中国古典小说中，拥有这两种面部特征的人非富即贵，或者英雄盖世。时至今日，仍有很多人好奇卧蚕眉到底是什么样。确实，眉形在面相、美学方面是很讲究的，卧蚕...
-
小米12UItra外观图（小米12UItra外观渲染图）
去年发布的小米11UItra，在影像领域以及外观设计方面，让我们记忆犹新，而今小米12UItra外观和配置悉数曝光，目前已经有了非常多的可靠消息，对于还在等待小米高端旗舰手机的朋友来说，可能将会在7月份的某一天看到...
-
ps光束大师插件怎么安装（ps光束大师使用教程）
➤软件简介 PS插件『光束大师3.4』这个插件可以快速营造丁达尔效应光线，而且效果也比较真实自然。有了这个光效让照片看起来更有意境。用这个插件可以更方便快捷的P出光线效果。它可以毫不费力地打造美轮美奂的光线效...
-
多个有内容的单元格合并（多单元格内容合并一个单元格）
Excel多单元格内容合并到一起，相信许多朋友都碰到过这样的问题。而对于绝大多数同学来讲，可能最常用的就是用&连接符了。 如上图所示，我们利用&符号将多个单元格中人员的地址信息进行合并。今天我们就来学...
-
沙漠环境特点是什么（沙漠环境特点有哪些）
沙漠地区地表大面积裸露，分布的植物种类贫乏，植被稀疏统，称为荒漠植被。主要分为温带荒漠植被和亚热带荒漠植被两大类型。荒漠植被在温带，以藜科、柽柳科、菊科、豆科为主，在热带和亚热带以仙人掌科，龙舌兰科、...