在拿到数据之后,一般会有一个数据清洗的工作,尤其是脏数据,光整理的时间可能就会耗掉整个分析流程的大部分。
很多人以为最费时间的是数据建模,其实不然,前期的数据获取以及数据清洗才是最花时间的过程。
还是举个例子,现有已从天猫上爬下来的若干商品信息文本,包括名称、规格、价格、批准文号、厂家等。
但发现数据根本就用不了,因为·有几个问题十分突出:
其一:名称、规格混合在一起,比如“汤臣倍健蛋白粉乳清高蛋白质营养粉男女孕妇增强免疫力早餐豆奶粉1kg“;
其二:名称太长,包含很多我们根本不需要的冗余信息,还是这个‘汤臣倍健蛋白粉乳清高蛋白质营养粉男女孕妇增强免疫力早餐豆奶粉1kg“’,其实只要“汤臣倍健蛋白粉”这个名字就OK了。
那我们应该怎么做呢?
1、分离名称、规格
a.如果名称里 名称、规格之间的符号可唯一识别(非普通空格)
str_split()
b.如果不可唯一识别,注意要名称列里的规格与规格列里的规格内容基本一致,查找规格在名称中的出现的位置,并以此断开。
str_locate(name,spec)
st