05 数据分析与SQL Lesson5 SQL数据清理
文章目录
1.视频:SQL 数据清理简介
2.视频:LEFT 与 RIGHT
- LEFT 从起点(或左侧)开始,从特定列中的每行获取一定数量的字符。正如此处看到的,你可以使用 LEFT(phone_number, 3) 获取电话号码中的前三位。
- RIGHT 从末尾(或右侧)开始,从特定列中的每行获取一定数量的字符。正如此处看到的,你可以使用 RIGHT(phone_number, 8) 获取电话号码的最后 8 位。
- LENGTH 提供了特定列每行的字符数。这里,我们可以使用 LENGTH(phone_number) 得出每个电话号码的长度。
4.解决方案:LEFT 与 RIGHT
- 在 accounts 表格中,有一个列存储的是每个公司的网站。最后三个数字表示他们使用的是什么类型的网址。此处给出了扩展(和价格)列表。请获取这些扩展并得出 accounts 表格中每个网址类型的存在数量。
SELECT RIGHT(website, 3) AS domain, COUNT(*) num_companies
FROM accounts
GROUP BY 1
ORDER BY 2 DESC;
- 对于公司名称(甚至名称的第一个字母)的作用存在颇多争议 - https://www.entrepreneur.com/article/237643 。请从 accounts 表格中获取每个公司名称的第一个字母,看看以每个字母(数字)开头的公司名称分布情况。
SELECT LEFT(UPPER(name), 1) AS first_letter, COUNT(*) num_companies
FROM accounts
GROUP BY 1
ORDER BY 2 DESC;
- 使用 accounts 表格和 CASE 语句创建两个群组:一个是以数字开头的公司名称群组,另一个是以字母开头的公司名称群组。以字母开头的公司名称所占的比例是多少?
- (为了可读性,缩进有所调整)
SELECT SUM(num) nums, SUM(letter) letters
FROM (SELECT name,
CASE WHEN LEFT(UPPER(name), 1) IN ('0','1','2','3','4','5','6','7','8','9')
THEN 1 ELSE 0 END AS num,
CASE WHEN LEFT(UPPER(name), 1) IN ('0','1','2','3','4','5','6','7','8','9')
THEN 0 ELSE 1 END AS letter
FROM accounts) t1;
结论:有 350 个公司名称以字母开头,1 个公司以数字开头。因此有 350/351 的公司名称以字母开头,即百分比是 99.7%。
- 元音是指 a、e、i、o 和 u。有多少比例的公司名称以元音开头,以其他音节开头的公司名称百分比是多少?
SELECT SUM(vowels) vowels, SUM(other) other
FROM (SELECT name, CASE WHEN LEFT(UPPER(name), 1) IN ('A','E','I','O','U')
THEN 1 ELSE 0 END AS vowels,
CASE WHEN LEFT(UPPER(name), 1) IN ('A','E','I','O','U')
THEN 0 ELSE 1 END AS other
FROM accounts) t1;
有 80 的公司名称以元音开头,271 的公司以其他音节开头。元音的比例是 80/351,或 22.8%。因此,有 77.2% 的公司名称没有以元音开头。
5.视频: POSITION、STRPOS 和 SUBSTR
POSITION: Provides the position of a sting counting from the left 获取字符和列,并提供该字符在每行的索引。第一个位置的索引在 SQL 中是 1。如果你之前学习了其他编程语言,就会发现很多语言的索引是从 0 开始。这里,你发现可以使用 POSITION(’,’ IN city_state) 获取逗号的索引。
PS: STRPOS 和 POSITION 的功能与定义相同:
STRPOS: Provides the position of a string counting from the left
在使用上有小区别,掌握一种就好
**需要注意:**STRPOS 和 POSITION 对于搜索的内容都是大小写敏感的,根据场景可能需要用 LOWER 和 UPPER 统一搜索内容的大小写。(LOWER and UPPER: Used to lowercase of capitalize all characters of a string.)
注:观察下右下角 city 的输出,多了一个“,”。要解决这个问题需要在最后的 LEFT 函数后面减1。(课程视频最后没有显示出来)
7.解决方案:POSITION、STRPOS 和
使用 STRPOS 的方法
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ') -1) first_name,
RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name
FROM accounts;
SELECT LEFT(name, STRPOS(name, ' ')-1) first_name,
RIGHT(name, LENGTH(name) - STRPOS(name, ' ')) last_name
FROM sales_reps;
使用 POSITION 的方法
SELECT LEFT(primary_poc, POSITION(' 'IN primary_poc)-1) first_name,
RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name
FROM accounts;
SELECT LEFT(name, POSITION(' 'IN name)-1) first_name,
RIGHT(name, LENGTH(name) - STRPOS(name, ' ')) last_name
FROM sales_reps;
PS:SQL中的注释方法
- 单行注释:–
- 多行注释:/…/
8.视频:CONCAT
CONCAT
CONCAT是组合字符串的函数(之前的EXCEL中也有,专门处理字符串)(CONCAT: Combines Values From Serveral columns into one column.)
CONCAT(first_name, ' ', last_name)
||(管道 Piping)
也可以用 || 将多个字符串链接起来:
first_name || ' ' || last_name
10.解决方案:CONCAT
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ')-1) first_name, RIGHT(primary_poc, LENGTH(primary_poc) -STRPOS(primary_poc, ' ')) last_name, name
FROM accounts)
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', name, '.com')
FROM t1;
注意其中的 name 是指的 company name(在accounts中是存为name)
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ')-1) first_name, RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name, name
FROM accounts)
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', REPLACE(name, ' ', ''), '.com')
FROM t1;
注意区别是最后用了个
REPLACE(name, ' ', '')
将空格替换为空,所以结果中@后面的地址就没有带空格的了。
具体文档和其他扩展可以参考:PostgreSQL字符操作
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ')-1) first_name, RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name, name
FROM accounts)
-- 下面最后我加了个 password 列名便于识别
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', name, '.com'), LEFT(LOWER(first_name), 1) || RIGHT(LOWER(first_name), 1) || LEFT(LOWER(last_name), 1) || RIGHT(LOWER(last_name), 1) || LENGTH(first_name) || LENGTH(last_name) || REPLACE(UPPER(name), ' ', '') AS password
FROM t1;
11.视频:CAST
在处理数据的时候,有时时间是以文本的方式提供的,为了能够处理,需要使用CAST函数进行转换,需要记住SQL的时间格式是:YYYY-MM-DD。(CAST: Allows us to change columns from one data type to another.)
这里重点看这3个语句:
- 使用DATA_PART拆分文字为数字
DATE_PART('month', TO_DATE(month, 'month'))
- 使用CAST转换格式为日期
CAST(date_column AS DATE)
- 也可以使用两个冒号完成
date_column::DATE
另外还要注意阅读最后的“专家提示”,要点如下:
- LEFT、RIGHT 和 TRIM 都仅用来选择特定的字符串元素。也就是说经过这3个函数处理以后,输出就会变为字符。
- TRIM 函数的功能是去掉字符串开始和结束位置的空格。
- 链接的文档和上节的相同,如果要在SQL处理复杂的文字,请扩展阅读。
13.解决方案:CAST
Q1
SELECT *
FROM sf_crime_data
LIMIT 10;
观察输出就可以回答Q3,这里的时间格式是不对的。
Q4
SELECT date orig_date, (SUBSTR(date, 7, 4) || '-' || LEFT(date, 2) || '-' || SUBSTR(date, 4, 2)) new_date
FROM sf_crime_data;
这里SUBSTR(date, 7, 4)的意识时说,对于data这个数据,从第7个开始,数4个数,就得到年了。后面的意思一样,得出月和年,并用-连接起来。为什么要连接?因为只有这样才符合SQL的日期格式,才能用下面的::DATE
来进行字符格式转换到日期格式的操作。
14.视频:COALESCE
COALESCE可以用来处理NULL值。(COALESCE: Returns the first non-null value passed for each row.)这点在COUNT的时候会有区别(COUNT不计算空值)。
16.解决方案:COALESCE
Q1
SELECT *
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
Q2
SELECT COALESCE(a.id, a.id) filled_id, a.name, a.website, a.lat, a.long, a.primary_poc, a.sales_rep_id, o.*
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
Q3
SELECT COALESCE(a.id, a.id) filled_id, a.name, a.website, a.lat, a.long, a.primary_poc, a.sales_rep_id, COALESCE(o.account_id, a.id) account_id, o.occurred_at, o.standard_qty, o.gloss_qty, o.poster_qty, o.total, o.standard_amt_usd, o.gloss_amt_usd, o.poster_amt_usd, o.total_amt_usd
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
Q4
SELECT COALESCE(a.id, a.id) filled_id, a.name, a.website, a.lat, a.long, a.primary_poc, a.sales_rep_id, COALESCE(o.account_id, a.id) account_id, o.occurred_at, COALESCE(o.standard_qty, 0) standard_qty, COALESCE(o.gloss_qty,0) gloss_qty, COALESCE(o.poster_qty,0) poster_qty, COALESCE(o.total,0) total, COALESCE(o.standard_amt_usd,0) standard_amt_usd, COALESCE(o.gloss_amt_usd,0) gloss_amt_usd, COALESCE(o.poster_amt_usd,0) poster_amt_usd, COALESCE(o.total_amt_usd,0) total_amt_usd
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
此处练习需要细心,并且理解COALESCE、LEFT JOIN等的位置信息是怎么实现的。