一、脏数据
种类:
- 缺失数据:可以通过填充平均值、按比例填充随机数等方法处理,若有备份数据,直接将备份数据引入即可
- 重复数据:去除重复部分即可
- 错误数据:可以通过以下三种方式解决:
1.通过对数据区间进行限定,排除明显异常的数据
2.通过系统的内部逻辑结构查找不符合格式的数据
3.通过建立匹配规则,匹配不统一的数据
- 不可用数据:正确,但无法直接使用,可以通过文本函数将其进行拆分(如日期数据)
二、脏数据的常规处理方法
- 结构化
需要对数据进行缩减,将其变为可测量、可分析的结构
如将用户评论中的好、不好、中等,进行数量化,好:2,中:1,差:0
- 规范化
通过将数据规范化,将脏数据中合格的部分筛选出来,如:将日期数据2020-01-01规范化,可以筛选出年份、月份、日期
- 可关联
数据之间应该有关联性,通过相互关联的数据可以将脏数据定位
如:销售数据中出现了一笔非常大的交易额,若想查看它是否正常,
应当把交易额与客户姓名、购买日期、订单号、单价等相关联,
当查找这个异常的脏数据时就可以十分清楚的定位到相关信息,看是否正常。
三、数据处理要遵循的原则
-
约束输入
让用户输入数据时,按照一定的规范格式进行输入,如限定必填项、提供下拉列表、格式错误提醒等,表单的设计要细致化 -
规范输出
要让同一个指标在每张报表的表述相同,如地名北京,不能在一张表中是北京,另一张表中就是beijing
要对各种数据在数据库中备份,以确定原始数据的格式是怎样的,若要变动时,可以依据备份数据进行变动
对于备份数据的输出可以通过表格、图形进行展示,以便查阅。