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。

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。

解决办法

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不上数据：

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，缺的多了，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，没准以后用的上。

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0

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 name

any_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

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

数据的合法性问题

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，凡是不再此规则范围内的，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 110

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，下一篇文章见。

数据清洗必须会的一些方法 - sql篇相关推荐

系统安装SQL Sever2000后1433端口未开放，如何打开1433端口的解决方法这篇文章主要针对Win2003系统安装SQL Sever2000后1433端口未开放，如何打开1433端口的解决
系统安装SQL Sever2000后1433端口未开放,如何打开1433端口的解决方法这篇文章主要针对Win2003系统安装SQL Sever2000后1433端口未开放,如何打开1433端口的解决 ...
力扣刷题学习SQL篇——1-8 查询（按日期分组销售产品——利用聚合函数GROUP_CONCAT）
力扣刷题学习SQL篇--1-8 查询(按日期分组销售产品--利用聚合函数GROUP_CONCAT) 1.题目 2.解法 3.group_concat() 1.题目题目链接:https://leetc ...
vue html引入资源dev下404,webpack vue 项目打包生成的文件,资源文件报404问题的修复方法(总结篇)...
最近在使用webpack + vue做个人娱乐项目时,发现npm run build后,css js img静态资源文件均找不到路径,报404错误...网上查找了一堆解决办法,总结如下一.首先修改c ...
语句查询每个人每个科目的最高分_转行数据分析师专栏（SQL篇）-05多表查询...
数据表(4张)及数据情况: 搭建数据表数据参考: 空杯希望:转行数据分析师专栏(SQL篇)-01SQL入门zhuanlan.zhihu.com 一.表的加法 1.先新建一个表course1(和cou ...
vue项目引入CNZZ数据专家（方法汇总篇）
vue项目引入CNZZ数据专家(方法汇总篇) 很多网站都有cnzz数据统计,用于分析网站页面受访情况. 今天就来备注一下开发经验: vue如何集成cnzz数据专家进行受访记录? 友盟+CNZZ官方文档 ...
解决方法:SQL Server 检测到基于一致性的逻辑 I/O 错误校验和不正
解决方法:SQL Server 检测到基于一致性的逻辑 I/O 错误校验和不正参考文章: (1)解决方法:SQL Server 检测到基于一致性的逻辑 I/O 错误校验和不正 (2)https: ...
Windows变慢原因分析及解决方法·系统篇
Windows变慢原因分析及解决方法·系统篇系统加速一［Windows 98 ］ 1.不要加载太多随机启动程序不要在开机时载入太多不必要的随机启动程序.选择"开始→程序→附件→系统工 ...
牛客网刷题之SQL篇：非技术快速入门39T
导航前序一.简单的关键字练习 1-10 二.知识点复习之 ==运算符== 1.算数运算符 2.比较运算符 3.逻辑运算符 4.位运算符三.10-28T 0.简单题总结 1. SQL18 ==分组 ...
2023年美赛论文写作方法——图表篇：美赛O奖中那些好看的图表是如何制作的？
思路:永久更新,全网最新最全,持续更新中,查看最下方QQ群获取. 2023年美赛论文写作方法--图表篇:美赛O奖中那些好看的图表是如何制作的? 相信很多关注七七的小伙伴们都知道数模论文最重要的是:简洁 ...

数据清洗必须会的一些方法 - sql篇

数据清洗必须会的一些方法 - sql篇

介绍

解决质量问题

解决办法

数据的完整性

sql处理方式

数据的唯一性

sql处理方式

数据的权威性

数据的合法性问题

sql处理方式

数据的一致性问题

数据清洗必须会的一些方法 - sql篇相关推荐

最新文章

热门文章