5.2 缺失值处理（填充缺失值）

案例介绍：

通过Kettle工具，使用平均值填充法对文件people_survey.txt中的缺失值进行填充。

案例实现：

数据准备

现在有一份社会人员调查信息的数据文件people_survey.txt，由于某种原因，在数据采集的过程中产生了大量的缺失值，文件people_survey.txt的具体内容如图所示。

1.打开Kettle工具，创建转换

通过使用Kettle工具，创建一个转换fill_missing_value，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。

在“发送true数据给步骤：”下拉框中选择“空操作”，将workclass字段值为Private的数据放在“空操作”控件中；在“发送false数据给步骤：”下拉框中选择“空操作（什么也不做）2”，将workclass字段值不为Private的数据放在“空操作（什么也不做）2”控件中。

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fill_missing_value

单击转换工作区顶部的运行按钮，运行创建的fill_missing_value转换。

9.查看文件people_survey.txt中的缺失值是否已填充

单击图中的“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。