《数据清洗》知识总结------第一章 数据清洗概述

涉及内容：数据清洗的背景/定义/原理/基本流程/策略与方法

1.1 数据清洗的背景

        数据质量的好坏决定了数据分析与数据挖掘能否获得理想的结果。数据清洗可以提高数据质量，排除干扰，得出有效、可靠的数据，以此支持决策。

1.1.1 数据质量概述

        数据质量是指在业务环境下，数据符合数据消费者的使用目的，能满足业务场景具体需求的程度。当然，数据质量是一个相对的概念，不同决策者对数据质量的高低要求不同。其显著特点为：

• “业务要求“会随时间变化，数据质量也会随时间发生变化。
• 数据质量可以借助信息系统度量，但独立于信息系统存在。
• 数据质量存在于数据的整个生命周期，随着数据的产生而产生，随着数据的消失而消失。

1.1.2 数据质量的评价指标

        数据质量的评价指标主要包括数据的准确性、完整性、简洁性及适用性。

        1.准确性

        为提高准确性，需对数据集进行降噪处理。数据中偏离常规、分散的小样本数据一般可视为噪声或异常数据，可通过异常值检测方法聚类进行处理。

        2.完整性

        完整性指的是数据信息是否存在缺失的状况。（处理数据缺失）

        3.简洁性

        要尽量选择重要的本质属性，并消除冗余。要抓住主要因素，不拘小节。

        4.适用性

        适用性是评价数据质量的重要标准，是评价数据质量的核心准则。数据的质量是否能满足决策的需要是适用性的关键所在。

1.1.3 数据质量的问题分类

        数据质量的问题可以分为两类：一类是基于数据源的“脏”数据分类；另一类是基于清洗方式的“脏”数据分类。

        1.基于数据源的“脏”数据分类

        “脏”数据：数据源中不完整、重复以及错误等有问题的数据。

        基于数据源的“脏”数据质量问题可分为：单数据源问题和多数据源问题。

        2.基于清洗方式的“脏”数据分类

        从数据清洗方式的设计者角度看，可将“脏”数据分为两类：独立性“脏”数据和依赖性“脏”数据。

        （1）独立型“脏”数据

        独立型“脏”数据可通过记录或本身属性检测出是否包含“脏”数据。（数据合法性检验规则）

        数据转换是将“脏”数据进行清洗的过程，包括模式转换和实力转换。

        （2）依赖型“脏”数据

        依赖性“脏”数据主要包括缺失数据和重复数据等“脏”数据。

1.2 数据清洗的定义

        数据清洗技术是提高数据质量的有效方法。数据清洗主要应用在3个邻域：数据仓库领域、数据挖掘邻域以及数据质量管理邻域。

• 在数据库领域中，当多个数据库合并时或多个数据源进行集成时，都需要进行数据清洗。在数据仓库环境中，数据清洗主要包括数据的清晰和结构的转换两个过程。
• 在数据挖掘领域中，数据清洗是数据进行预处理过程的第一步骤。在数据预处理应用中，数据清洗的主要任务是提高数据的可用性，即去除噪声、无关数据以及空值等，并考虑数据的动态变化。在字符风分类中问题中，通过使用机器学习的技术进行数据清洗，即使用特定算法检测数据库对缺失和错误的数据予以修改。
• 在数据质量管理领域中，数据质量管理主要用于解决信息系统中的数据质量及集成问题。

1.3 数据清洗的原理

        数据清洗是利用相关技术将“脏”数据转换为满足质量要求的数据，其目的是解决“脏”数据问题，将“脏”数据洗干净。原理如图1-1所示。

 

图1-1 数据清洗的原理

 1.4 数据清洗的基本流程

        数据清洗的基本流程一般分为5个步骤：数据分析、定义数据清洗的策略和规则、搜索并确定错误实例、纠正发现的错误以及干净数据的回流。具体流程如图1-2所示。

图1-2 数据清洗的基本流程

 1.5 数据清洗的策略

        数据清洗策略分为一般的数据清洗策略和混合的数据清洗策略。

        1.一般的数据清洗策略

        按实现方式与范围划分，一般分为手工清洗策略（人工直接修改）、自动清洗策略（编写专门的应用程序修改）、特定应用领域的清洗策略（根据概率统计学原理检测修改）以及与特定应用领域无关的清洗策略（根据相关算法检测并删除重复记录）。

        2.混合的数据清洗策略

        混合的数据清洗策略主要以自动清洗为主，人工监督确认为辅。

1.6 常见的数据清洗方法

        常见的数据清洗方法包括四种：

        1.缺失值的清洗

        主要分为两类：忽略缺失值数据和填充缺失值数据。

        填充缺失值方法包括：人工填写、使用一个全局常量、使用属性的平均值、中间值、最小（大）值填充、使用通过回归、贝叶斯形式化方法的工具或决策树归纳确定的值填充。

        2.重复值的清洗

        目前清洗重复值的基本思想是“排序与合并”。方法主要有：相似度计算和基于基本近邻排序算法等方法。

        3.错误值的清洗

        错误值的清洗方法主要包括使用统计分析方法识别可能的错误值（如偏差分析、识别不遵守分布或回归方程的值）、使用简单规则库（即常识性规则、业务规定规则等）检测错误值、使用不同属性间的约束以及使用外部数据等方法检查和处理错误值。

学习用书：《数据清洗》. 黑马程序员/编著 . 清华大学出版社