数据清洗必须会的一些方法 - sql篇

数据清洗必须会的一些方法 - sql篇

介绍

在进行数据分析之前，自己拿到的数据大部分情况下都是不能够直接用的，会存在很多数据质量的问题，这个时候就需要我们先过滤一遍。
数据清洗是整个数据分析链路中非常重要的一个环节，能够提供更高的质量的数据，同时供应挖掘材料。

解决质量问题

解决各种数据质量问题的目的，包括但不限于：

• 数据的完整性 —— 例如，人的属性中缺少性别、籍贯、年龄等
• 数据的唯一性 —— 例如，不同来源的数据重复出现的情况
• 数据的权威性 —— 例如，同一个指标出现多个来源的数据，且数值不一样
• 数据的合法性 —— 例如，获取的数据与常识不符，年龄大于150岁。
• 数据的一致性 —— 例如，不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致。
  数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据，提供给数据统计、数据挖掘等使用。

解决办法

数据的完整性

思路：数据缺失，那么补上就好了。
首先判断能不能从源头上直接补上，这部分的数据缺失太多，是否研发那边某个埋点的功能异常，导致一些数据无法上报，这个时候需要找研发对接。
如果是正常的数据丢失率例如1%-2%左右，那么可以具体通过一下一些方式不上数据：

• 通过其他信息补全，例如使用身份证件号推算性别、籍贯、出生日期、年龄等
• 通过前后数据补齐，例如时间序列数据确实了，可以使用前后的均值，缺的多了，可以使用平滑等处理。均值、中位数，或者自动向上或者向下补齐都是比较常用的方法。
• 实在补不全的，虽然很可惜，但也必须要剔除。但是不要删掉，没准以后用的上。

sql处理方式

#查看comm字段缺失数量
select sum(comm is null) from emp;
# 平均值填充
select ifnull(comm,(select avg(comm) from emp)) from emp;
# 也可以使用coalesce()函数，该函数将多个表达式或列作为参数，并返回第一个非空的值
select coalesce(comm,0) from emp; # 将null值填充为0

数据的唯一性

思路：去除重复记录，只保留一条。
去重的方法有：

• 按主键去重，用sql 『去除重复记录』即可。
• 按规则去重，编写一系列规则，对重复情况复杂的数据进行去重。例如不同* 渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。

sql处理方式

# 去重单个字段
select distinct comm from emp;
# 使用group by + 聚合函数例如max，min，any_value
# 去重多个字段,设定一个student表，其中，同一个学生可能有两个age值
select name,any_value(age) from student group by name
select name,max(age) from student group by name

any_value()会选择被分到同一组的数据里第一条数据的指定列值作为返回数据

数据的权威性

思路：用最权威的那个渠道的数据
方法：对不同渠道设定权威级别

数据的合法性问题

思路：设定判定规则

• 设定强制合法规则，凡是不在此规则范围内的，强制设为最大值，或者判为无效，剔除
• 字段类型合法规则：日期字段格式为『2010-10-10』
• 字段内容合法规则：性别 in （男、女、未知）;出生日期<=今天
• 设定告警规则，凡是不再此规则范围内的，进行告警，然后人工处理
  告警规则：年龄 > 110
• 离群值人工特殊处理，使用分箱、聚类、回归、等方法发现离群值

sql处理方式

# 使用where条件进行限制
select name,sex,age from student
where sex in ("男","女","未知")
and age between 0 and 110

数据的一致性问题

思路：建立元数据体系，包括但不限于：指标体系（度量）、维度（分组、统计口径）、单位、频度、数据。
tips：如果数据质量问题比较严重，建议跟技术团队好好聊聊。