第五章操作题

案例实现一.对文件merge.csv进行完全去重
1.数据准备

2.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，具体如图所示。

3.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，具体如图所示。

单机”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。

4.配置“唯一行（哈希值）”控件
双击“唯一行（哈希值）”控件，进入配置界面。

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。

5.运行转化
单击转换工作区顶部的按钮，运行创建的转换。

6.查看merge.csv是否消除完全重复的数据
选中“唯一行（哈希值）”控件，单击执行结果窗口的“Preview data”选项卡，查看是否消除CSV文件merge.csv中完全重复的数据。

案例实现二.对文件people_survey.txt中的缺失值进行填充
1.数据准备

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。

单击【预览记录】按钮，查看文件people_survey.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作为过滤条件。

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）。

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

9.查看文件people_survey.txt中的缺失值是否已填充
单击“字段选择”控件，再单击执行结果窗口的“Preview data”选项卡，查看是否填充了文件people_survey.txt中的缺失值。