## 什么是脏数据?怎么处理
1. 脏数据定义
从目标中取出来的 已经过期、错误、或者没有意义的数据。
脏读:读取出来的脏数据就叫脏读
2.“脏数据”分类及处理方法
a.数据缺失:
空值(缺一行 )或者记录的一些值
处理方法:
1)不将空值纳入分析范围
2)补值:从数据库中重新导入数据或采用平均数、零、或者等比例随机数等补值。
b.数据重复
人工判断处理,保留数据中的一条。
c.数据错误
1)异常值:数值大于区间范围
处理方法:通过区间限定来排除 和发现。
2)格式错误,例如日期格式录成字符串。
处理方法:从系统级别找原因。
3)填写的数据不统一,如bj和beijing
处理方法:人工干预
做一张清洗规则表,给出匹配关系,第一列是原始值,第二列是清洗值,用规则表去关联原始表,用清洗值做分析。
更好的方法:通过近似值算法自动发现可能不统一的数据。
d.数据不可用
数据正确,但不可用
如“北京市海淀中关村”,想分析去级别的海淀则,很难去除区级别是字段。
处理方法:从源头解决,即数据治理。