数据清洗第六章操作题

一、对文本文件进行数据粒度转换，即将文本文件personnel_data.txt中字段household_register的数据统一成省份，并且输出到文本文档personnel_data_new.txt中。

1.打开Kettle工具，新建转换使用Kettle工具，创建一个转换generalization,添加文本文件输入控件、表输入控件、字段选择控件、排序记录控件、记录集连接控件、表输出控件以及Hop跳连接线。
2.配置文本文件输入控件，双击“文本文件输入”控件，进入“文本文件输入”界面，单击【浏览】按钮，选择要抽取personnel_data.txt文件；单击【增加】按钮，将要抽取的personnel_data.txt文件添加到generalization转换中。
单击“内容”选项卡，在分隔符处清除默认分隔符“；”，然后单击【Insert TAB】按钮，在分隔符处插入一个制表符；取消勾选“头部”复选框。

单击“字段”选项卡，根据personnel_data.txt文件的内容添加对应的字段名称，并指定数据类型。“字段”选项卡的配置。
3.配置字段选择控件，双击“字段选择”控件，进入“选择/改名值”界面，在“选择和修改”选项卡处添加字段名称，单击”确认“按钮完成配置。
4.配置排序记录控件，双击“排序记录”控件，进入“排序记录”界面，并在“字段”框中添加字段household_register，对其进行排序，单击【确定】按钮，完成“排序记录”控件的配置。
5.配置表输入控件，双击“表输入”控件，进入“表输入”界面，单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。

7.配置记录集连接控件。双击“记录集连接”控件，进入“合并排序”界面，在“第一个步骤”处的下拉框中选择“排序记录”，“第二个步骤”处的下拉框中选择“排序记录2”；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处添加连接字段，这里添加的连接字段是household_register和city；在“连接类型”处的下拉框选择连接类型，这里选择的LEFT OUTER，即左外连接，单击【确定】按钮，完成记录集连接控件的配置。

8.配置字段选择2控件，双击“字段选择2”控件，进入“选择/改名值”界面，在“选择和修改”选项卡处添加字段名称，这里添加的是记录集连接流中的字段household_register和pid，单击【确定】按钮，完成“字段选择2”控件的配置。
9.配置排序记录3控件，双击“排序记录 3”控件，进入“排序记录”界面，在“字段”框中添加字段pid，并对其进行排序，单击【确定】按钮，完成排序记录3控件的配置。
10.配置表输入2控件，双击“表输入2”控件，进入“表输入2”界面，单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。
11.配置排序记录4控件，双击“排序记录 4”控件，进入“排序记录”界面，在“字段”框中添加字段pid，并对其进行排序，单击【确定】按钮，完成“排序记录4”控件的配置。
12.配置记录集连接2控件，双击“记录集连接2”控件，进入“合并排序”界面，在“第一个步骤”处的下拉框中选择“排序记录3”，“第二个步骤”处的下拉框中选择“排序记录4”；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处添加连接字段，这里添加的连接字段是pid；在“连接类型”处的下拉框选择连接类型，这里选择的LEFT OUTER，即左外连接。
13.配置字段选择3控件，双击“字段选择3”控件，进入“选择/改名值”界面，在“选择和修改”选项卡处添加字段名称，这里添加的是记录集连接2流中的字段household_register和Provincial。
14.配置表输出控件
1）双击“表输出”控件，进入“表输出”配置界面，单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。
2） 单击目标表右侧的【浏览】按钮，选择输出的目标表，即临时数据表personnel；勾选“指定数据库字段”的复选框。单击【输入字段映射】按钮，弹出“映射匹配”对话框，依次选中“源字段”选项框的字段和“目标字段”选项框的字段，再单击【Add】按钮，将一对映射字段添加至“映射”选项框中，若“源字段”选项框的字段和“目标字段”选项框的字段相同，则可以单击【猜一猜】按钮，让Kettle自动实现映射。单击映射匹配对话框的【确定】按钮，“表输出”界面最终显示的效果如图所示，单击【确定】按钮，完成“表输出”控件的配置。
15.打开Kettle工具，新建转换，使用Kettle工具，创建一个转换generalization_merge，并添加表输入控件、字段选择控件、排序记录控件、记录集连接控件、文本文件输出控件。
16.配置表输入控件，双击“表输入”控件，进入“表输入”界面，单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。在SQL框中编写SQL语句，用于查询数据表personnel中的数据。
17.配置字段选择控件，双击“字段选择”控件，进入“选择/改名值”界面，在“选择和修改”选项卡处添加字段名称。
18.配置排序记录控件，双击“排序记录”控件，进入“排序记录”界面，并在“字段”框中添加字段id，对其进行排序。

19.配置文本文件输入控件
1）双击“文本文件输入”控件，进入“文本文件输入”界面，单击【浏览】按钮，选择要抽取personnel_data.txt文件；单击【增加】按钮，将要抽取的personnel_data.txt文件添加到generalization_merge转换中。
2）单击“内容”选项卡，在分隔符处清除默认分隔符“；”，单击【Insert TAB】按钮，在分隔符处插入一个制表符；取消勾选“头部”复选框。
3）单击“字段”选项卡，根据personnel_data.txt文件的内容添加对应的字段名称，并指定数据类型。“字段”选项卡的配置。
20.配置字段选择2控件，双击“字段选择2”控件，进入“选择/改名值”界面，在“选择和修改”选项卡处添加字段名称。

21.配置排序记录2控件，双击“排序记录”控件，进入“排序记录”界面，并在“字段”框中添加字段id，对其进行排序。
22.配置记录集连接控件

双击“记录集连接”控件，进入“合并排序”界面，在“第一个步骤”处的下拉框中选择“排序记录”，“第二个步骤”处的下拉框中选择“排序记录2”；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处添加连接字段，这里添加的连接字段是id；在“连接类型”处的下拉框选择连接类型，这里选择的LEFT OUTER，即左外连接。
23.配置字段选择3控件，双击“字段选择3”控件，进入“字段选择”界面，在“选择和修改”选项卡处添加字段名称，并将字段household_register_new改为household_register。
24.配置文本文件输出控件

双击“文本文件输出”控件，进入“文本文件输出”界面，单击“文件名称”右侧的【浏览】按钮，选择输出文件，即文本文件personnel_data_new，单击“内容”选项卡，进入“内容”界面，清除分隔符处的默认分隔符，单击【插入Tab】按钮，插入Tab分隔符。并在编码处的下拉框选择“UTF-8”编码，单击“字段”选项卡，进入“字段”界面，添加要输出的字段。
25.打开Kettle工具，新建作业，使用Kettle工具，创建一个作业generalization，并添加Start控件、转换控件、成功控件。
26.配置转换控件，双击“转换”控件，进入“转换”界面，单击“Transformations”处的【浏览】按钮，选择添加转换generalization。
27.配置转换2控件，双击“转换2”控件，进入“转换”界面，单击“Transformations”处的【浏览】按钮，选择添加转generalization_merge。
28.运行作业generalization，单击作业工作区顶部的start按钮，运行作业generalization，实现将文本文件personnel_data.txt中字段为household_register的数据统一成省份（直辖市），并输出到文本文件personnel_data_new.txt中。
29.查看文本文件personnel_data_new.txt中的数据通过文本编辑器工具，查看文本文件personnel_data_new.txt中的数据。

二、对文本文件personnel_data_new.txt中字段为salary的数据进行商务规则计算，即计算每个人的月薪（以22天工作日计算），最终输出到文本文件personnel_data_monthly_salary.txt中。

1.打开Kettle工具，新建转换，使用Kettle工具，创建一个转换monthly_salary，并添加文本文件输入控件、增加常量控件、计算器控件、文本文件输出控件。
2.配置文本文件输入控件
1）双击“文本文件输入”控件，进入“文本文件输入”界面，单击【浏览】按钮，选择要抽取personnel_data_new.txt文件；单击【增加】按钮，将要抽取的personnel_data_new.txt文件添加到转换monthly_salary中。
2）单击“内容”选项卡，在分隔符处清除默认分隔符“；”，单击【Insert TAB】按钮，在分隔符处插入一个制表符；取消勾选“头部”复选框。
3）单击“字段”选项卡，根据personnel_data.txt文件的内容添加对应的字段名称，并指定数据类型。“字段”选项卡的配置。
3.配置增加常量控件

双击“增加常量”控件，进入“增加常量”界面，在字段框中添加一个字段days，并给定一个值22。
4.配置计算器控件，双击“计算器”控件，进入“计算器”界面，在字段框中添加一个字段monthly_salary，用于存储月薪，该字段是由字段days和salary进行相乘所得。
5.配置文本文件输出控件

双击“文本文件输出”控件，进入“文本文件输出”界面，单击“文件名称”右侧的【浏览】按钮，选择输出文件，即文本文件personnel_data_monthly_salary，如图6-52所示；单击“内容”选项卡，进入“内容”界面，清除分隔符处的默认分隔符，单击【插入Tab】按钮，插入Tab分隔符，并在编码处的下拉框选择“UTF-8”编码，单击“字段”选项卡，进入“字段”界面，添加要输出的字段。
6.运行转换monthly_salary

单击转换工作区顶部的start按钮，运行转换monthly_salary，实现将文本文件personnel_data_new.txt中字段为salary的数据进行商务规则计算，即计算每个人的月薪（以22天工作日计算），最终输出到文本文件personnel_data_monthly_salary.txt中。
7.查看文本文件personnel_data_monthly_salary.txt中的数据通过文本编辑器工具，查看文本文件personnel_data_monthly_salary.txt中的数据。