数据为什么需要清洗
- 字段缺失
- 前后结构不一致
- 数据取值范围不对
- 不是易于分析的格式
清洗数据技巧
- 使用断言 Assertions
例如每条记录有4个字段,断言之; 某个字段是整数,断言之。反正,能断言的都断言,不要嫌麻烦。 - 对于不完整或者损坏的记录,不要默默跳过
可以打印出提示信息,方便之后查找
记录跳过记录的条数,和总记录数,看看比例 - 如果有枚举字段,且种类多,可以不用断言,遇到新种类时打印出来提醒一下,清洗完在检查
- 断点清洗。适用于数据集较大,程序中途崩溃
- 先在一部分数据集上测试清洗
- 打印清洗日志
- 验证清洗后的数据
- (可选)如果效率空间允许情况下,把原始数据一并保存下来