《数据分析实战 基于EXCEL和SPSS系列工具的实践》一3.3 耗时耗力的数据整理过程

本节书摘来自华章出版社《数据分析实战
基于EXCEL和SPSS系列工具的实践》一书中的第3章，第3.3节，纪贺元　著，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

3.3　耗时耗力的数据整理过程

数据的整理往往是一个痛苦的耗时耗力的过程，有人曾经以做饭菜来打比方：做过饭菜的人都知道，下油锅炒菜的时间其实并不长，几分钟就够了，而做菜之前的买菜、泡菜（用水浸泡菜去除农药）、洗菜、切菜、配菜等会消耗2～3小时。这和做数据分析很类似，做一个聚类分析，如果选择的模型得当并且电脑运行很快的话，几分钟甚至几秒钟就做完了，但是要把聚类的数据全部收集完毕，很可能要花几天甚至几个月的时间。
数据分析之前的数据整理工作要做哪些事情呢？我们看看以下逻辑。
（1）尽可能保证数据是对的
在错误的数据上分析得出的结论往往是错误的，因此要尽量保证数据的准确性，重复数据以及空行、空列、异常值、不符合逻辑关系的数据都会造成数据质量的降低，要想办法剔除这些数据。至少也要对这些数据有所警醒！
（2）尽可能保证数据能用得上
通常情况下，数据中都会有很多缺失值，面对这种情况，删除肯定是个简单的处理方法，但问题是，这样操作会丢失很多数据和信息。我曾经对某个项目进行测算，如果用“简单粗暴”的方法去删除包含缺失值的数据，那么大概要损失70%左右的数据，这样一来，根据30%左右的数据分析得出来的结论肯定是不准确的。
（3）要保证数据的格式能够直接用于分析
数据有多种组织方式，统计和挖掘中的很多算法模型都需要针对固定格式来做，比如对应分析、关联分析等，因此免不了要做格式转换，有时，为了实现对大数据量的分析，还需要进行编程。
3.3.1　重复、空行、空列数据删除
以案例文件3.1为例，如何对数据进行重复值的排查呢？可综合运用三种方法进行删除，其中，EXCEL提供了两种方法，不过都是直接删除，而SPSS中的重复值处理可以先标识然后再删除，相对更合理一点。下面分别讲讲这三种方法。
（1）EXCEL中的“删除重复项”
首先，选择“数据”中的“删除重复项”，如图3-2所示。

然后选择判断是否重复的项，如图3-3所示。

请注意，图3-3中的“编号”、“成绩”之前的勾选就是重复值的判断条件，意思就是如果编号和成绩都相同，那么就是重复值。我们可以用是否勾选来灵活决定判断重复值的条件。
点击“确定”后会弹出图3-4所示的对话框。

删除重复项的操作简单易行，但是有一个重大缺陷，就是它会直接将重复值删除，这有点“简单粗暴”，更理想的方法是先标注一下，待操作人员查看确认之后，再删除比较好。因此在做这个操作之前最好先进行数据备份。
（2）高级筛选
很多人都知道高级筛选是用来做多条件的复杂筛选的，但是知道用高级筛选来删除数据的人却不多，下面会介绍这个方法。首先进入高级筛选界面，如图3-5所示。

在高级筛选界面中，选择源数据区域和将要复制的数据块位置，如图3-6所示。
特别要注意的是，图3-6左下角的“选择不重复的记录”一定要勾选，然后点击确定，操作即完成。
相对于删除重复项，高级筛选连个输出提示都没有，这让初次使用的人往往感到有点没头没脑，起码应该有一个操作告诉我处理了多少数据、删除了多少数据吧。因此，高级筛选这个操作也需要谨慎，要事先做好数据备份。
（3）SPSS中的处理重复值
在SPSS中有专门处理重复值的模块，请见图3-7。



进入“标识重复个案”模块后，会弹出如图3-8所示的界面。



如同EXCEL中的“删除重复项”，SPSS中也需要选择若干字段作为判断是否重复的依据，图3-8中选择了手机号码和ARPU，代表手机号码和ARPU都相同才表示数据重复。“基本个案指示符”中的1表示唯一值，0表示重复值。勾选左下角的“将匹配个案移至文件顶端”表示会将有重复的数据移到文件最上端。
最后的输出结果如图3-9所示。这样的输出结果是比较合理的，可以先观察再删除，比直接删除要安全。



（4）删除空行
以案例文件3.3为例，为了删除空行，先用EXCEL进行排序，如图3-10所示。

排序结束后，删除空行即可，如图3-11所示。
以上删除空行的方法打乱了数据的顺序，若想不打乱数据的顺序，可采用辅助列的方法，如图3-12所示。

也就是先按照编号进行排序，删除空行后，再按照“次序”进行排序，最后删除“次序”辅助列。

3.3.2　缺失值的填充和分析

数据中的缺失值产生的原因很多，有的是原始数据中就没有，有的是漏了，有的则是因种种原因没有收集；还有填写者故意不填的，例如市场调查的问卷中，涉及收入、对竞争对手如何看待等敏感性问题时，就经常会出现缺漏的情况。还有一种比较特殊的情况是，最近的数据还没有统计出来，例如现在是2017年，可能2017年的Q1的数据还没有出现，甚至有可能2016年的Q4的数据都还没有出来。
之前已经说过，对于缺失值数据，一般不能采用“简单粗暴”的删除方法，而应尽可能地进行填充，下面就介绍一些填充的方法。
（1）手工填充
以案例文件3.4为例，2011年和2012年的数据都是完整的，2013年的数据有一些缺漏，这个时候有几种填充思路：
1）按照2013年销量的平均值做填充，这是比较简单的做法。
2）用历年同月的平均值做填充，例如2013/12/21的数据是空缺的，就拿2011年和2012年销量的平均值来填充，这是比较精准的做法。
以上的填充技术非常简单，不再赘述，直接用average函数即可。
（2）利用SPSS“替换缺失值”进行填充
案例文件3.5，SPSS中有两处菜单功能涉及缺失值，一是“转换”中的“替换缺失值”，二是“分析”中的“缺失值分析”。“替换缺失值”中可以用多种替换方法，以案例文件3.5为例来看一下，先在图3-13所示的菜单找到“替换缺失值”。

然后，进入“替换缺失值”界面，如图3-14所示。

在替换的方法中，有序列均值、临近点的均值、临近点的中位数等多种方法可以选择，一般选择“序列均值”和“临近点的均值”比较多一些。
（3） 利用SPSS“缺失值分析”进行填充
对于案例文件3.6，在分析分组和年龄这两个因素对分析指标的影响时，可采用SPSS的线性回归来处理，如图3-15所示。

然后进入线性回归的界面进行设置，如图3-16所示。

得到的结论如图3-17所示。

由于体重组和年龄的检验p值都小于0.05，因此得到结论：体重组和年龄对于分析指标都有着显著的影响。
若对案例文件3.7（该案例有缺失值）执行同样的操作，得到的输出结果如图3-18所示。

从图3-18所示的输出可以看出，在有缺失值的情况下，体重组的sig是0.076＞0.05，因此得到结论：体重组对于分析指标的影响不显著，而年龄对于分析指标的影响显著。
现在考虑如何填充数据，在图3-19所示的界面选择“缺失值分析”。

SPSS的缺失值分析中，常用的有EM和回归这两种方式。下面首先展示EM方式填充缺失值的方法，如图3-20所示。

在图3-20所示的界面中，点击“EM…”，进入如图3-21所示的界面。

将填充好的缺失值放到数据集a中，就完成了相应的操作。
同样也可以用回归方法实现缺失值的填充，如图3-22所示。

为了比较EM和回归这两种填充方法的优劣，仍旧做数据回归来比较EM和回归这两种填充方式的差异，请注意，这里出现了两个“回归”，前面一个“回归”是数据分析的回归方法，后面一个“回归”是SPSS里面的一种填充算法。

图3-23是采用EM方法填充数据后进行回归分析的输出结果，图3-24是采用“回归”方法填充数据后进行回归分析的输出结果。可以看到，EM回归的两个检验P值0.008和0.004，分别小于0.023和0.012，这说明EM填充缺失值的质量要高于回归填充缺失值。

3.3.3　数据间逻辑的排查

重复值、空行（列）、缺失值这些都是比较明显的错误，而数据之间的逻辑关系则是比较隐蔽的问题。案例文件3.9给出了对啤酒饮用习惯进行调查后所记录的数据，先来看看年龄和学历这两组数据，单独看这两组数据并无可疑之处，但是考虑到逻辑关系就不尽然了。

从目前我国大学的情况看，一般本科生毕业在21～23岁，硕士生毕业在25～27岁，如果考虑学历和年龄之间的逻辑关系，再对案例文件3.9进行排查，看看情况如何。这里使用条件格式进行排查，如图3-25所示。
进行条件格式后的界面如图3-26所示。

在图3-26中，选择自定义公式，在公示栏中输入公式：=AND(C2<=25, D2>=5)，也就是当C2（年龄）小于等于25，并且学历大于等于5（5是硕士，6是博士）的时候，将编号填充为红色，结果如图3-27所示。

从图3-27可以看出，编号为11和18的，其学历和年龄之间的逻辑关系不正常，需要重点关注和纠正。
根据业务关系来排查数据的例子还很多，这需要读者结合自己的业务逻辑努力去排查判断。
此外，数据合并也是数据准备的重要内容，这将在4.1节中详细叙述，在此不再重复。