第5章 数据清洗与校验

5.1  数据去重

 完全去重

 1、打开Kettle工具，创建转换

      通过使用Kettle工具，创建一个转换，并添加“CSV文件输入”控件、“唯一行（哈希值）”控件以及Hop跳连接线。

 2、配置CSV文件输入控件

    双击“CSV文件输入”控件，进入“CSV文件输入”配置界面，单击【浏览】按钮，选择要进行完全去重处理的CSV文件merge.csv；再单击【获取字段】按钮，Kettle会自动检索CSV文件，并对文件中的字段类型、格式、长度、精度等属性进行分析，单击【预览】按钮，查看CSV文件merge.csv的数据是否加载到CSV文件输入流中。

 

 3、配置”唯一行（哈希值）”控件

    双击“唯一行（哈希值）”控件，进入“唯一行（哈希值）”配置界面，在“用来比较的字段”处，添加要去重的字段，这里可以单击【获取】按钮，获取要去重的字段。

 4、运行转换

 

 不完全去重

 1、打开Kettle工具，创建转换

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”配置界面，单击【浏览】按钮，选择要去重的文件people.txt；单击【增加】按钮，将要去重的文件people.txt添加到转换part_repeat_transform中，单击“内容”选项卡；清除分隔符处的默认分隔符“；”，并单击【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；根据文件people.txt的内容添加对应的字段名称，并指定数据类型，单击【预览记录】按钮，查看文件people.txt的数据是否成功抽取到文本文件输入流中。

 

 

 3、配置唯一行（哈希值）控件

   在“用来比较的字段”处，添加要比较去重的字段，即Name、UserLevel、Phone字段。

4、运行转换

 

 5.2  缺失值处理

   去除缺失值

 1、打开Kettle工具，创建转换

   通过使用Kettle工具，创建一个转换，并添加“文本文件输入”控件、“字段选择”控件、“过滤记录”控件、“Excel输出”控件、“空操作（什么也不做）”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”配置界面，单击【浏览】按钮，选择要去除缺失值的文件revenue.txt；单击【增加】按钮，将要去除缺失值的文件revenue.txt添加到“文本文件输入”控件中，单击“内容”选项卡；在清除分隔符处的默认分隔符“；”，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，若不取消，在进行数据抽取操作时会排除文件第一行的数据，单击“字段”选项卡；根据文件revenue.txt的内容添加对应的字段名称，并指定数据类型，单击【预览记录】按钮，查看文件revenue.txt中的数据是否成功抽取到文本文件输入流中。

 

 

 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”选项卡的“字段”处手动添加文本文件输入控件输出的所有数据字段，也可以单击【获取选择的字段】按钮，Kettle工具自动检索并添加文本文件输入控件输出的所有数据字段，在“移除”选项卡处添加要移除的字段名称，这里移除的是Sex字段。

 

 4、配置过滤记录控件

       双击“过滤记录”控件，进入“过滤记录”界面，在“条件”处设置过滤的条件，过滤掉有缺失值的数据字段（这里是过滤Name、Pay和Area字段中的缺失值）；单击左边“<field>”框，弹出字段对话框，选择要过滤的字段Name；单击 “=”框，弹出函数对话框，选择过滤条件（这里选择IS NULL），单击符号“+”增加过滤条件；单击“AND”，弹出操作符对话框，选择操作符（这里选择的是OR），单击“增加条件”图中的“null = [ ]”，添加过滤字段；单击左边“<field>”框，弹出字段对话框，选择要过滤的字段Pay；单击“=”框，弹出函数对话框，选择过滤条件（这里选择IS NULL）。字段Pay的过滤设置，单击“字段Pay的过滤设置”图中的符号“+”增加过滤条件；单击“AND”，弹出操作符对话框，选择操作符（这里选择OR），单击“增加条件”图中的“null = [ ]”，添加过滤字段；单击左边“<field>”框，弹出字段对话框，选择要过滤的字段Area；单击“=”框，弹出函数对话框，选择过滤条件（这里选择IS NULL）；字段Area的过滤设置，连续单击两次【确定】按钮，查看整体设置的过滤条件，在“发送true数据给步骤：”处的下拉框中选择“空操作”，将包含缺失值的行数据放在空操作控件中；在“发送false数据给步骤：”处的下拉框中选择“Excel输出”，将没有缺失值的行数据输出到Excel文件中。

 

 

 

5、 配置Excel输出控件

   双击“Excel输出”控件，进入“Excel输出”配置界面，单击【浏览】按钮，选择要输出的文件路径。

6、运行转换

 

 填充缺失值

 1、打开Kettle工具，创建转换

    通过使用Kettle工具，创建一个转换，并添加“文本文件输入”控件、“过滤记录”控件、“空操作（什么也不做）”控件、“替换NULL值”控件、“合并记录”控件、“字段选择”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”配置界面，单击【浏览】按钮，选择要去除缺失值的文件people_survey.txt；单击【增加】按钮，将要去除缺失值的文件people_survey.txt添加到“文本文件输入”控件中，单击“内容”选项卡；在清除分隔符处的默认分隔符“；”，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，若不取消，在进行数据抽取操作时会排除文件第一行的数据，单击“字段”选项卡；根据文件people_survey.txt文件的内容添加对应的字段名称，并指定数据类型。

 

 

 

 3、配置过滤记录控件

      双击“过滤记录”控件，进入“过滤记录”配置界面，在“条件”处设置过滤的条件，由于从“预览数据”图中可以看出字段userid为000016用户的hours_per_week（即每周工作时间字段）存在缺失值，而它的workclass字段值为Private，因此我们可以将过滤字段设置为workclass、过滤值设置为Private作为过滤条，在“发送true数据给步骤：”下拉框中选择“空操作”，将workclass字段值为Private的数据放在“空操作”控件中；在“发送false数据给步骤：”下拉框中选择“空操作（什么也不做）2”，将workclass字段值不为Private的数据放在“空操作（什么也不做）2”控件中。

 

4、配置替换NULL值控件

       双击“替换NULL值”控件，进入“替换NULL值”配置界面，勾选“选择字段”处的复选框，并在“字段”框添加字段为hours_per_week，值替换为44（44是字段为hours_per_week中所有值相加求的均值，这里指用44替换字段hours_per_week中的NULL值），双击“合并记录”控件，进入“合并行（比较）”配置界面，在”旧数据源：”下拉框选择“替换NULL值”，“新数据源：”下拉框选择“空操作（什么也不做）2”；在“匹配的关键字：”部分，添加关键字段，即userid。

 5、配置合并记录控件

    双击“合并记录”控件，进入“合并行（比较）”配置界面，在“旧数据源：”下拉框选择“替换NULL值”，“新数据源：”下拉框选择“空操作（什么也不做）2”；在“匹配的关键字：”部分，添加关键字段，即userid。

6、配置替换NULL值2控件

      双击“替换NULL值2”控件，进入“替换NULL值”配置界面，勾选“选择字段”处的复选框，并在“字段”框添加字段为workclass，值替换为Private（这里用Private替换字段workclass中的NULL值）。

 7、配置字段选择控件

    双击“字段选择”控件，进入“选择/改名值”配置界面，在“移除”选项卡处添加要移除的字段名称，这里移除的是字段flagfield。

 8、运行转换

 5.3  异常值处理

   删除包含异常值的记录

 1、打开Kettle工具，创建转换

   通过使用Kettle工具，创建一个转换，并添加“文本文件输入”控件、“过滤记录”控件、“空操作（什么也不做）”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”配置界面，先单击【浏览】按钮，选择要去除异常值的文件temperature.txt，然后单击【增加】按钮，将要去除异常值的文件temperature.txt添加到“文本文件输入”控件中，单击“内容”选项卡；清除分隔符处的默认分隔符“；”，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，若不取消，在进行数据抽取操作时会排除文件第一行的数据，单击“字段”选项卡；根据文件temperature.txt的内容添加对应的字段名称，并指定数据类型，单击【预览记录】按钮，查看文件temperature.txt的数据是否成功抽取到文本文件输入流中。

 

 

 3、配置过滤记录控件

     双击“过滤记录”控件，进入“过滤记录”配置界面，在“条件”处设置过滤的条件，由于文件temperature.txt中time为6：30的温度是137摄氏度，不在非异常值的范围内，因此属于异常值，我们应该将过滤字段设置为temperature、过滤值为137，在“发送true数据给步骤：”处的下拉框中选择“空操作（什么也不做）2”，将异常值放在“空操作（什么也不做）2”控件中；在“发送false数据给步骤：”处的下拉框中选择“空操作（什么也不做）”，将非异常值放在“空操作（什么也不做）”控件中。

 4、运行转换

 

 修补异常值

 1、打开Kettle工具，创建转换

      通过使用Kettle工具，创建一个转换，并添加“表输入”控件、“过滤记录”控件、“空操作（什么也不做）”控件、“设置值为NULL”控件、“合并记录”控件、“替换NULL值”控件、字段选择控件以及Hop跳连接线。

 2、配置表输入控件

     双击“表输入”控件，进入“表输入”配置界面，在SQL框中编写查询数据表interpolation_data的SQL语句，然后单击【预览】按钮，查看数据表interpolation_data的数据是否成功从MySQL数据库中抽取到表输入流中。

 3、配置过滤记录控件

        双击“过滤记录”控件，进入“过滤记录”配置界面，在“条件”处设置过滤的条件，即设置Height字段的取值范围（[114-226]），从而判断数据表中的每个数据是否为异常值。若是在非异常值的取值范围内，则是非异常值，否则是异常值，在“发送true数据给步骤：”处的下拉框中选择“空操作（什么也不做）2”，将非异常值放在“空操作（什么也不做）2”控件中；在“发送false数据给步骤：”处的下拉框中选择“空操作（什么也不做）”，将异常值放在“空操作（什么也不做）”控件中。

 

 4、预览“空操作（什么也不做）”控件中的数据

       选中“空操作（什么也不做）”控件，然后单击转换工作区顶部的 按钮，预览“空操作（什么也不做）”控件中的数据，id为15的这条数据，Height字段为260，260不在非异常值范围[114，226]内，因此该条数据为异常数据。

5、配置过滤记录控件

       双击“设置值为NULL”控件，进入“设置值为NULL”界面；在“字段”处添加要设为NULL值的字段名称和值。

 6、配置合并记录控件

     双击“合并记录”控件，进入“合并行（比较）”界面，在“旧数据源：”处的下拉框选择“设置为NULL值”，“新数据源：”处的下拉框选择“空操作（什么也不做）2”；在“匹配的关键字：”处，添加关键字段，即id。 

 7、配置替换NULL值控件

     双击“替换NULL值”控件，进入“替换NULL值”界面，勾选“选择字段”处的复选框，并在“字段”框添加字段为Hight，值替换为170（通过计算得到499人的平均身高值近似为170，因此用170替换字段Hight中的NULL值）。

 8、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“移除”选项卡处添加要移除的字段名称，这里移除的是字段flagfield。

 9、运行转换

 

 5.4  数据检验

   数据一致性处理

 1、打开Kettle工具，创建转换

      使用Kettle工具，创建一个转换，并添加“表输入”控件、“值映射”控件、“插入/更新”控件以及Hop跳连接线。

 2、配置“表输入”控件

 3、配置“值映射”控件

     双击“值映射”控件，进入“值映射”配置界面；在“使用的字段名”处的下拉框选择字段GENDER；在“字段值”框中，添加源值和目标值，这里是将Male替换成数字0，将Female替换成数字1。

 4、配置”插入/更新”控件

      单击目标表右侧的【浏览】按钮，选择目标表Personnel_ Information_New。单击【获取字段】按钮，用来指定查询数据所需要的关键字，这里选择的是Personnel_ Information_New数据表中的USERID字段和输入流里面的USERID字段；单击【获取和更新字段】按钮，用来指定需要更新的字段。

 5、运行转换

 

 6、打开Kettle工具，创建作业

 7、配置“Start”控件

双击“Start”控件，进入“作业定时调度”界面；勾选“重复”处的复选框；单击“类型”处的下拉框，选择“时间间隔”定时，并设置以秒计算的间隔是5，以分钟计算的间隔是0。

 8、配置“转换”控件

     双击“转换”控件，进入“转换”界面；单击【浏览】按钮，选择添加转换data _consistency至作业中。

 9、运行作业

 数据规范化处理

 1、打开Kettle工具，创建转换

     使用Kettle工具，创建一个转换，并添加“自定义常量数据”控件、“计算器”控件、“数据检验”控件、“空操作”控件以及Hop跳连接线。

 2、配置”自定义常量数据”控件

       双击“自定义常量数据”控件，进入“自定义常量数据”界面配置实验用数据；单击“元数据”选项卡，添加字段常量ProductionDate、ProductionName、ProductionNumber以及CommoditySales并指定其数据类型；单击“数据”选项卡，添加自定义的数据。

 

 3、配置”计算器”控件

      双击“计算器”控件，进入“计算器”界面；在“字段”处，添加一个新字段UnitPrice，用于存储计算出的产品单价数据；在“字段A”和“字段B”处的下拉选项中分别选择“CommoditySales”（销售额）和“ProductionNumber”（销售数量）字段；在“计算”处的下拉框中选择“A/B”，即表示将字段A与字段B进行相除计算。

 4、配置”数据检验”控件

        双击“数据检验”控件，进入“数据检验”界面；单击【增加检验】按钮，增加检验条件，这里我们制定的检验条件有三个，即日期（ProductionDate）不能在2019年1月1日之前、产品名称（ProductionNumber）必须都是小写以及单个产品价格（UnitPrice）不能超过10这三个检验条件；单击【增加检验】按钮，弹出“输入检验的名称”窗口，在该窗口中添加检验名称date_verify用于校验如期，添加后单击【确定】按钮关闭“输入检验的名称”窗口。

 

 5、配置”空操作（什么也不做）”控件

         单击选中“数据检验”控件，然后按住Shift键，通过分发方式设置“主输出步骤”连接到“空操作（什么也不做）”控件；设置“错误处理步骤”连接到“空操作（什么也不做）2”控件。

 6、运行转换