很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請(qǐng)把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會(huì)有專(zhuān)人和您聯(lián)系
咨詢(xún)?nèi)绾纬蔀榇河鹱髡哒?qǐng)聯(lián)系：鳥(niǎo)哥筆記小羽毛（ngbjxym）
這是我的第19篇原創(chuàng)
網(wǎng)上很多ETL工程師很焦慮，不知道之后的職業(yè)道路怎么規(guī)劃。其實(shí)我們需要先內(nèi)圣，而后外王。ETL的工作很枯燥，但是一樣可以總結(jié)出非常多的內(nèi)容。ETL工程師往技術(shù)方向可以走數(shù)倉(cāng)、數(shù)據(jù)架構(gòu)師路線；往算法方向可以走數(shù)據(jù)挖掘、AI的路線；往業(yè)務(wù)方向可以走商業(yè)數(shù)據(jù)分析的路線。
回到正題，數(shù)據(jù)清洗是ETL工程師的核心工作之一，我們以終為始，剖析一下數(shù)據(jù)清洗這件事。
好，干貨開(kāi)始。數(shù)據(jù)清洗的目的可以從兩個(gè)角度上看一是為了解決數(shù)據(jù)質(zhì)量問(wèn)題，二是讓數(shù)據(jù)更適合做挖掘。不同的目的下分不同的情況，也都有相應(yīng)的解決方式和方法。
解決數(shù)據(jù)質(zhì)量問(wèn)題
這部分主要是規(guī)范數(shù)據(jù)，滿(mǎn)足業(yè)務(wù)的使用，解決數(shù)據(jù)質(zhì)量的各種問(wèn)題，其目的包括但不限于：
數(shù)據(jù)的完整性----例如人的屬性中缺少性別、籍貫、年齡等
數(shù)據(jù)的唯一性----例如不同來(lái)源的數(shù)據(jù)出現(xiàn)重復(fù)的情況
數(shù)據(jù)的權(quán)威性----例如同一個(gè)指標(biāo)出現(xiàn)多個(gè)來(lái)源的數(shù)據(jù)，且數(shù)值不一樣
數(shù)據(jù)的合法性----例如獲取的數(shù)據(jù)與常識(shí)不符，年齡大于150歲
數(shù)據(jù)的一致性----例如不同來(lái)源的不同指標(biāo)，實(shí)際內(nèi)涵是一樣的，或是同一指標(biāo)內(nèi)涵不一致
數(shù)據(jù)清洗的結(jié)果是對(duì)各種臟數(shù)據(jù)進(jìn)行對(duì)應(yīng)方式的處理，得到標(biāo)準(zhǔn)的、干凈的、連續(xù)的數(shù)據(jù)，提供給數(shù)據(jù)統(tǒng)計(jì)、數(shù)據(jù)挖掘等使用。
那么為了解決以上的各種問(wèn)題，我們需要不同的手段和方法來(lái)一一處理。
每種問(wèn)題都有各種情況，每種情況適用不同的處理方法，具體如下：
1：解決數(shù)據(jù)的完整性問(wèn)題：
解題思路：數(shù)據(jù)缺失，那么補(bǔ)上就好了。
補(bǔ)數(shù)據(jù)有什么方法？
通過(guò)其他信息補(bǔ)全，例如使用身份**號(hào)碼推算性別、籍貫、出生日期、年齡等
通過(guò)前后數(shù)據(jù)補(bǔ)全，例如時(shí)間序列缺數(shù)據(jù)了，可以使用前后的均值，缺的多了，可以使用平滑等處理，記得Matlab還是什么工具可以自動(dòng)補(bǔ)全
實(shí)在補(bǔ)不全的，雖然很可惜，但也必須要剔除。但是不要?jiǎng)h掉，沒(méi)準(zhǔn)以后可以用得上
2：解決數(shù)據(jù)的唯一性問(wèn)題
解題思路：去除重復(fù)記錄，只保留一條。
去重的方法有：
按主鍵去重，用sql或者excel“去除重復(fù)記錄”即可，
按規(guī)則去重，編寫(xiě)一系列的規(guī)則，對(duì)重復(fù)情況復(fù)雜的數(shù)據(jù)進(jìn)行去重。例如不同渠道來(lái)的**，可以通過(guò)相同的關(guān)鍵信息進(jìn)行匹配，合并去重。
3：解決數(shù)據(jù)的權(quán)威性問(wèn)題
解題思路：用最權(quán)威的那個(gè)渠道的數(shù)據(jù)
方法:
對(duì)不同渠道設(shè)定權(quán)威級(jí)別，例如：在家里，首先得相信媳婦說(shuō)的。。。
4：解決數(shù)據(jù)的合法性問(wèn)題
解題思路：設(shè)定判定規(guī)則
設(shè)定強(qiáng)制合法規(guī)則，凡是不在此規(guī)則范圍內(nèi)的，強(qiáng)制設(shè)為最大值，或者判為無(wú)效，剔除
字段類(lèi)型合法規(guī)則：日期字段格式為“2010-10-10”
字段內(nèi)容合法規(guī)則：性別 in （男、女、未知）；出生日期<=今天
設(shè)定警告規(guī)則，凡是不在此規(guī)則范圍內(nèi)的，進(jìn)行警告，然后人工處理
警告規(guī)則：年齡》110
離群值人工特殊處理，使用分箱、聚類(lèi)、回歸、等方式發(fā)現(xiàn)離群值
5：解決數(shù)據(jù)的一致性問(wèn)題
解題思路：建立元數(shù)據(jù)體系，包含但不限于：
指標(biāo)體系（度量）
維度（分組、統(tǒng)計(jì)口徑）
單位
頻度
數(shù)據(jù)
tips：
如果數(shù)據(jù)質(zhì)量問(wèn)題比較嚴(yán)重，建議跟技術(shù)團(tuán)隊(duì)好好聊聊。
如果需要控制的范圍越來(lái)越大，這就不是ETL工程師的工作了，得升級(jí)為數(shù)據(jù)治理了，下次有空再分享。
這部分主要是讓數(shù)據(jù)更適合數(shù)據(jù)挖掘，作為算法訓(xùn)練的原料。其目標(biāo)包括但不限于：
高維度----不適合挖掘
維度太低----不適合挖掘
無(wú)關(guān)信息----減少存儲(chǔ)
字段冗余----一個(gè)字段是其他字段計(jì)算出來(lái)的，會(huì)造成相關(guān)系數(shù)為1或者主成因分析異常）
多指標(biāo)數(shù)值、單位不同----如GDP與城鎮(zhèn)居民人均收入數(shù)值相差過(guò)大
1：解決高維度問(wèn)題
解題思路：降維，方法包括但不限于：
主成分分析
隨機(jī)森林
2：解決維度低或缺少維度問(wèn)題
解題思路：抽象，方法包括但不限于：
各種匯總，平均、加總、最大、最小等
各種離散化，聚類(lèi)、自定義分組等
3：解決無(wú)關(guān)信息和字段冗余
解決方法：剔除字段
4：解決多指標(biāo)數(shù)值、單位不同問(wèn)題
解決方法：歸一化，方法包括但不限于：
最小-最大
零-均值
小數(shù)定標(biāo)
其實(shí)ETL工程師有非常好的數(shù)據(jù)功底，無(wú)論是轉(zhuǎn)那個(gè)崗都方便，你缺少的是系統(tǒng)的學(xué)習(xí)和邁出去的勇氣。
聽(tīng)說(shuō)轉(zhuǎn)發(fā)文章
會(huì)給你帶來(lái)好運(yùn)
本文為作者獨(dú)立觀點(diǎn)，不代表鳥(niǎo)哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥(niǎo)哥筆記版權(quán)及免責(zé)申明》 如對(duì)文章、圖片、字體等版權(quán)有疑問(wèn)，請(qǐng)點(diǎn)擊 反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國(guó)家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶(hù)創(chuàng)造的內(nèi)容、維護(hù)開(kāi)放、真實(shí)、專(zhuān)業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶(hù)和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶(hù)創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國(guó)未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國(guó)家安全，泄露國(guó)家秘密，顛覆國(guó)家政權(quán)，破壞國(guó)家統(tǒng)一，損害國(guó)家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國(guó)家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過(guò)網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶(hù)及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來(lái)激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對(duì)方難堪；
6)謾罵：以不文明的語(yǔ)言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類(lèi)的攻擊；
8)威脅：許諾以不良的后果來(lái)迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶(hù)體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣(mài)產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶(hù)點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購(gòu)買(mǎi)或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營(yíng)銷(xiāo)內(nèi)容，如通過(guò)偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營(yíng)銷(xiāo)；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過(guò)頭像、用戶(hù)名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問(wèn)題進(jìn)行求助或咨詢(xún)；
4)問(wèn)自己或他人的八字、六爻、星盤(pán)、手相、面相、五行缺失，包括通過(guò)占卜方法問(wèn)婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來(lái)誘導(dǎo)用戶(hù)；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動(dòng)「飯圈」粉絲攀比炫富、奢靡享樂(lè)等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過(guò)「蹭熱點(diǎn)」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過(guò)主動(dòng)發(fā)現(xiàn)和接受用戶(hù)舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個(gè)用戶(hù)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶(hù)違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過(guò)作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶(hù)對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過(guò)「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)