数据清洗、数据集成

数据清洗、数据集成

整个数据分析过程中，数据清洗大概占到了80%。

数据质量准则：

1. 完整性：单条数据是否存在空值，统计的字段是否完善。
2. 全面性：观察某一列全部数据值可通过常识判断该列在数据定义、单位标识、数字本身方面是否有问题。
3. 合法性：数据的类型、内容、大小的合法性。
4. 唯一性：数据是否存在重复。

对于缺失值的处理通常采用三种方法：

• 删除：删除数据缺失的记录

• 均值：使用当前列的均值

  df['Age'].fillna(df['Age'].mean(), inplace=True)
  

• 高频：使用当前列出现频率最高的数据。

  age_maxf = train_features['Age'].value_counts().index[0]
  train_features['Age'].fillna(age_maxf, inplace=True)
  

空行的处理：

df.dropna(how='all',inplace=True) 

列数据单位不统一：

# 获取 weight 数据列中单位为 lbs 的数据
rows_with_lbs = df['weight'].str.contains('lbs').fillna(False)
print df[rows_with_lbs]
# 将 lbs转换为 kgs, 2.2lbs=1kgs
for i,lbs_row in df[rows_with_lbs].iterrows():
	# 截取从头开始到倒数第三个字符之前，即去掉lbs。
	weight = int(float(lbs_row['weight'][:-3])/2.2)
	df.at[i,'weight'] = '{}kgs'.format(weight) 

非ASCII字符：

# 删除非 ASCII 字符
df['first_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)
df['last_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)

一列有多个参数：

# 切分名字，删除源数据列
df[['first_name','last_name']] = df['name'].str.split(expand=True)
df.drop('name', axis=1, inplace=True)

重复数据：

# 删除重复数据行
df.drop_duplicates(['first_name','last_name'],inplace=True)

例：

import pandas as pd
df = pd.read_csv('D://Jupyter/food.csv')
df

#将ounces列中的缺失值从均值来填充
df['ounces'].fillna(df['ounces'].mean(), inplace=True)
#将food列中同一转换成小写
df['food'] = df['food'].str.lower()
#将ounce列中的负数取正
df['ounces'] = df['ounces'].apply(lambda x: abs(x))
#删除food列中重复的项
df.drop_duplicates('food', inplace=True)
df

数据集成就是将多个数据源合并存放在一个数据存储中（如数据仓库），方便后续的数据挖掘。

数据集成的两种架构：ELT和ETL

ETL是英文Extract、Transform和Load的缩写，包括了数据抽取、转换、加载三个过程。

• 抽取是将数据从已有的数据源中提取出来。
• 转换是对原始数据进行处理
• 加载就是将转换后的数据从中间层导入数据分析层。

根据转换发生的顺序和位置，数据集成可以分为 ETL 和 ELT 两种架构。

• ETL：提取(Extract)——转换(Transform)——加载(Load)，数据源抽取后首先进行转换，然后将转换的结果写入目的地。
• ELT：提取(Extract)——加载(Load)——变换(Transform)，在抽取后将结果先写入目的地，然后利用数据库的聚合分析能力或者外部计算框架，如Spark来完成转换的步骤。

ELT和ETL相比最大区别是重抽取和加载，轻转换。从而可以用更轻量的方案搭建一个数据集成平台。使用ELT方法，在提取完成之后，数据加载会立即开始。一方面更省时，另一方面ELT允许 BI 分析人员无限制地访问整个原始数据，为分析师提供了更大的灵活性，使之能更好地支持业务。

在ELT架构中，数据变换这个过程根据后续使用的情况，需要在 SQL 中进行，而不是在加载阶段进行。这样做的好处是你可以从数据源中提取数据，经过少量预处理后进行加载。这样的架构更简单，使分析人员更好地了解原始数据的变换过程。

典型ETL工具：

• 商业软件：Informatica PowerCenter、IBM InfoSphere DataStage、Oracle Data Integrator、Microsoft SQL Server Integration Services等
• 源软件：Kettle、Talend、Apatar、Scriptella、DataX、Sqoop等