数据清洗第五章

一 对文件merge.csv进行完全去重

通过使用Kettle工具，创建一个转换repeat_transform，并添加“CSV文件输入”控件、“唯一行（哈希值）”控件以及Hop跳连接线，具体如图所示。

双击“CSV文件输入”控件，进入“CSV文件输入”配置界面。

单击【预览】按钮，查看CSV文件merge.csv的数据是否加载到CSV文件输入流中。

双击“唯一行（哈希值）”控件，进入“唯一行（哈希值）”配置界面。

 

 

 在“用来比较的字段”处，添加要去重的字段，这里可以单击【获取】按钮，获取要去重的字段。单击转换工作区顶部的 运行按钮，运行创建的repeat_transform转换。

 二 对文件people_survey.txt中的缺失值进行填充

通过使用Kettle工具，创建一个转换fill_missing_value，并添加“文本文件输入”控件、“过滤记录”控件、“空操作（什么也不做）”控件、“替换NULL值”控件、“合并记录”控件、“字段选择”控件以及Hop跳连接线。

 双击“文本文件输入”控件，进入“文本文件输入”配置界面。

 

双击“过滤记录”控件，进入“过滤记录”配置界面。

 

在“条件”处设置过滤的条件，由于从“预览数据”图中可以看出字段userid为000016用户的hours_per_week（即每周工作时间字段）存在缺失值，而它的workclass字段值为Private，因此我们可以将过滤字段设置为workclass、过滤值设置为Private作为过滤条件。在“发送true数据给步骤：”下拉框中选择“空操作”，将workclass字段值为Private的数据放在“空操作”控件中；在“发送false数据给步骤：”下拉框中选择“空操作（什么也不做）2”，将workclass字段值不为Private的数据放在“空操作（什么也不做）2”控件中。

双击“替换NULL值”控件，进入“替换NULL值”配置界面。勾选“选择字段”处的复选框，并在“字段”框添加字段为hours_per_week，值替换为44（44是字段为hours_per_week中所有值相加求的均值，这里指用44替换字段hours_per_week中的NULL值）。

 双击“合并记录”控件，进入“合并行（比较）”配置界面。

 

在”旧数据源：”下拉框选择“替换NULL值”，“新数据源：”下拉框选择“空操作（什么也不做）2”；在“匹配的关键字：”部分，添加关键字段，即userid。双击“替换NULL值2”控件，进入“替换NULL值”配置界面。勾选“选择字段”处的复选框，并在“字段”框添加字段为workclass，值替换为Private（这里用Private替换字段workclass中的NULL值）。

双击“字段选择”控件，进入“选择/改名值”配置界面。在“移除”选项卡处添加要移除的字段名称，这里移除的是字段flagfield。

 单击转换工作区顶部的运行按钮，运行创建的fill_missing_value转换。