由于海量数据的来源是广泛的,数据类型也是多而繁杂的,因此数据中会夹杂着不整、重复以及错误的数据,如果直接使用这些原始数据,会严重影响数据决策的准确性和效率。因此,对原始数据进行有效的清洗是大数据分析和应用过程中的关键环节。
目录
1.1 数据清洗的背景
1.1.1 数据质量概述
从适用性的角度看,数据质量是一个相对的概念(与决策无关)。不同的决策者对数据质量的高低要求也是不同的。对于一个无关的数据,即便质量很高,对决策也起不到任何作用。
数据质量的显著特点如下:
—— “业务需求”会随时间变化,数据质量也会随时间发生变化。
——数据质量可以借助信息系统度量,但独立于信息系统存在。
——数据质量存在于数据的整个生命周期,随着数据的产生而产生,随着数据的消失而消失。
1.1.2 数据质量的评价指标
数据质量的评价指标主要包括数据的准确性、完整性、简洁性及适用性,其中数据的准确性、完整性和简洁性是为了保证数据的适用性。
1.1.3 数据质量的问题分类
数据质量的问题可以分为两类:一类是基于数据源的“脏”数据分类;另一类是基于清洗方式的“脏”数据分类。
1.基于数据源的“脏”数据分类
基于数据源的“脏”数据质量问题可以分为单数据源问题和