数据清洗

从两个角度上看，数据清洗一是为了解决数据质量问题，二是让数据更适合做挖掘。不同的目的下分不同的情况，也都有相应的解决方式和方法。在此简略描述一下，若有错误，请指出，不胜感激！

解决数据质量问题

解决数据的各种问题，包括但不限于：

数据的完整性----例如人的属性中缺少性别、籍贯、年龄等

数据的唯一性----例如不同来源的数据出现重复的情况

数据的权威性----例如同一个指标出现多个来源的数据，且数值不一样

数据的合法性----例如获取的数据与常识不符，年龄大于150岁

数据的一致性----例如不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致

数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据，提供给数据统计、数据挖掘等使用。

那么为了解决以上的各种问题，我们需要不同的手段和方法来一一处理。

每种问题都有各种情况，每种情况适用不同的处理方法，具体如下：

解决数据的完整性问题：

解题思路：数据缺失，那么补上就好了。

补数据有什么方法？

通过其他信息补全，例如使用身份证件号码推算性别、籍贯、出生日期、年龄等

通过前后数据补全，例如时间序列缺数据了，可以使用前后的均值，缺的多了，可以使用平滑等处理，Matlab可以自动补全

实在补不全的，虽然很可惜，但也必须要剔除。但是不要删掉，没准以后可以用得上

解决数据的唯一性问题

解题思路：去除重复记录，只保留一条。

去重的方法有：

按主键去重，用sql或者excel“去除重复记录”即可，

按规则去重，编写一系列的规则，对重复情况复杂的数据进行去重。例如不同渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。

解决数据的权威性问题

解题思路：用最权威的那个渠道的数据

方法:

对不同渠道设定权威级别，例如：在家里，首先得相信媳妇说的。。。

解决数据的合法性问题

解题思路：设定判定规则

设定强制合法规则，凡是不在此规则范围内的，强制设为最大值，或者判为无效，剔除

字段类型合法规则：日期字段格式为“2010-10-10”

字段内容合法规则：性别 in （男、女、未知）；出生日期<=今天

设定警告规则，凡是不在此规则范围内的，进行警告，然后人工处理

警告规则：年龄》110

离群值人工特殊处理，使用分箱、聚类、回归、等方式发现离群值

解决数据的一致性问题

解题思路：建立数据体系，包含但不限于：

指标体系（度量）

维度（分组、统计口径）

单位

频度

数据

让数据更适合做挖掘或展示

目标包括但不限于：

高维度----不适合挖掘

维度太低----不适合挖掘

无关信息----减少存储

字段冗余----一个字段是其他字段计算出来的，会造成相关系数为1或者主成因分析异常）

多指标数值、单位不同----如GDP与城镇居民人均收入数值相差过大

解决高维度问题

解题思路：降维，方法包括但不限于：

主成分分析

随机森林

解决维度低或缺少维度问题

解题思路：抽象，方法包括但不限于：

各种汇总，平均、加总、最大、最小等

各种离散化，聚类、自定义分组等

解决无关信息和字段冗余

解决方法：剔除字段

解决多指标数值、单位不同问题

解决方法：归一化，方法包括但不限于：

最小-最大

零-均值

小数定标