一、介紹
在進(jìn)行數據分析之前，自己拿到的數據大部分情況下都是不能夠直接用的，會(huì )存在很多數據質(zhì)量的問(wèn)題，這個(gè)時(shí)候就需要我們先過(guò)濾一遍。

數據清洗是整個(gè)數據分析鏈路中非常重要的一個(gè)環(huán)節，能夠提供更高的質(zhì)量的數據，同時(shí)供應挖掘材料。

二、解決質(zhì)量問(wèn)題
解決各種數據質(zhì)量問(wèn)題的目的，包括但不限于：

數據的完整性 —— 例如，人的屬性中缺少性別、籍貫、年齡等
數據的唯一性 —— 例如，不同來(lái)源的數據重復出現的情況
數據的權威性 —— 例如，同一個(gè)指標出現多個(gè)來(lái)源的數據，且數值不一樣
數據的合法性 —— 例如，獲取的數據與常識不符，年齡大于150歲。
數據的一致性 —— 例如，不同來(lái)源的不同指標，實(shí)際內涵是一樣的，或是同一指標內涵不一致。
數據清洗的結果是對各種臟數據進(jìn)行對應方式的處理，得到標準的、干凈的、連續的數據，提供給數據統計、數據挖掘等使用。

三、解決辦法

1. 數據的完整性
   思路：數據缺失，那么補上就好了。

首先判斷能不能從源頭上直接補上，這部分的數據缺失太多，是否研發(fā)那邊某個(gè)埋點(diǎn)的功能異常，導致一些數據無(wú)法上報，這個(gè)時(shí)候需要找研發(fā)對接。

如果是正常的數據丟失率例如1%-2%左右，那么可以具體通過(guò)一下一些方式不上數據：

通過(guò)其他信息補全，例如使用身份證件號推算性別、籍貫、出生日期、年齡等
通過(guò)前后數據補齊，例如時(shí)間序列數據確實(shí)了，可以使用前后的均值，缺的多了，可以使用平滑等處理。均值、中位數，或者自動(dòng)向上或者向下補齊都是比較常用的方法。
實(shí)在補不全的，雖然很可惜，但也必須要剔除。但是不要刪掉，沒(méi)準以后用的上。
sql處理方式

#查看comm字段缺失數量
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()函數，該函數將多個(gè)表達式或列作為參數，并返回第一個(gè)非空的值
select coalesce(comm,0) from emp; # 將null值填充為0

2. 數據的唯一性
   思路：去除重復記錄，只保留一條。

去重的方法有：

按主鍵去重，用sql 『去除重復記錄』即可。
按規則去重，編寫(xiě)一系列規則，對重復情況復雜的數據進(jìn)行去重。例如不同渠道來(lái)的客戶(hù)數據，可以通過(guò)相同的關(guān)鍵信息進(jìn)行匹配，合并去重。
sql處理方式

# 去重單個(gè)字段
select distinct comm from emp;
# 使用group by + 聚合函數例如max，min，any_value
# 去重多個(gè)字段,設定一個(gè)student表，其中，同一個(gè)學(xué)生可能有兩個(gè)age值
select name,any_value(age) from student group by name
select name,max(age) from student group by name
any_value()會(huì )選擇被分到同一組的數據里第一條數據的指定列值作為返回數據

3. 數據的權威性
   思路：用最權威的那個(gè)渠道的數據

方法：對不同渠道設定權威級別

4. 數據的合法性
   思路：設定判定規則

設定強制合法規則，凡是不在此規則范圍內的，強制設為最大值，或者判為無(wú)效，剔除
字段類(lèi)型合法規則：日期字段格式為『2010-10-10』
字段內容合法規則：性別 in （男、女、未知）;出生日期<=今天
設定告警規則，凡是不再此規則范圍內的，進(jìn)行告警，然后人工處理
告警規則：年齡 > 110
離群值人工特殊處理，使用分箱、聚類(lèi)、回歸、等方法發(fā)現離群值
sql處理方式

# 使用where條件進(jìn)行限制
select name,sex,age from student
where sex in ("男","女","未知")
and age between 0 and 110

5. 數據的一致性問(wèn)題
   思路：建立元數據體系，包括但不限于：指標體系（度量）、維度（分組、統計口徑）、單位、頻度、數據。

tips：如果數據質(zhì)量問(wèn)題比較嚴重，建議跟技術(shù)團隊好好聊聊。

• 上一篇：數字鄉村之鄉村數字治理（10）鄉村智慧應急管理| 數字鄉村管理系統
• 下一篇：數字鄉村之信息惠民（1）互聯(lián)網(wǎng)+教育