数据清洗是整个数据分析过程中不可缺少的一个环节，这个环节将重复、多余的数据筛选清除，将缺失的数据补充完整，将错误的数据纠正或去除，从而提升数据质量，提供给上层应用调用。

数据常见的问题可以分成六类“数据缺失值”、”数据值不匹配“、“数据重复”、”数据不合理“、“数据字段格式不统一“、”数据无用“，针对不同的数据问题，我们有不同的应对方法。

1、数据缺失值

（1）对每个字段计算其缺失值比例，然后按照缺失比例和字段重要性，分别制定策略。

（2）不重要的，或者缺失率过高的数据直接去除字段。

（3）重要的数据，或者缺失率尚可的数据，可以进行补全。填充数据可以参考以下方法：

• 通过业务知识或者过往经验进行推测填充
• 用同一指标数据计算结果（均值、中位数等）填充
• 用不同指标数据计算结果填充（如年龄可用身份证信息推测）
• 数据填充情况很复杂，数据填充的方式有很多，可以参考一些统计方法的工具数据。

（4）对某些缺失率高，但又很重要的数据，需要和业务人员了解，是否可以通过其他渠道重新取数。

2、数据值不匹配

（1）清洗内容中有不合逻辑的字符

最典型的就是头、尾、中间的空格，也可能出现姓名中存在数字符号、出现汉字等问题。这种情况下，需要以半自动校验半人工方式来找出可能存在的问题，并去除不需要的字符。

（2）内容和该字段应有内容不符

经常在处理埋点数据时会发现某个字段内容乱码等，通常过滤掉，但该问题特殊性在于：并不能简单的以删除来处理，因为成因有可能是数据解析错误，也有可能是在数据在记录到客户本地时就发生能了错误（平台），因此要详细识别、分类处理问题。这部分的内容往往需要人工处理，尽量细致地检查，不要遗漏。

3.数据重复

数据集中的重复值包括以下两种情况：

（1）数据值完全相同的多条数据记录，这是最常见的数据重复情况。
（2）数据主体相同，但一个属性匹配到不同的多个值。
去重的主要目的是保留能显示特征的唯一数据记录，但当遇到以下几种情况时，不建议去重。

（1）重复记录用于分析演变规律，例如因为系统迭代更新，某些属性被分配了不同值。
（2）重复的记录用于样本不均衡处理，通过简单复制来增加少数类样本。
（3）重复的记录用于检测业务规则问题，代表业务规则可能存在漏洞。

4.数据不合理

这类数据通常利用分箱、聚类、回归等方式发现离群值，然后进行人工处理。

5.数据字段格式不统一

整合多种来源数据时，往往存在数据格式不一致的情况，将其处理成一致的格式利于后期统一数据分析。

6.数据无用

由于主观因素影响，往往无法判断数据的价值，故若非必须，则不进行非需求数据清洗。

可以看到数据清洗的人力成本是比较高的，在真实场景中，数据情况往往会更错综复杂，如果不想经历上述基本的数据清洗手段，可以使用ETL工具来帮助简化数据处理流程，国内ETL产品中做的比较好的有FineDataLink（以下简称FDL）。FDL拥有低代码的优势，通过简单拖拽交互即可实现数据抽取、数据清洗、数据到目标数据库的全过程。

FDL是一款低代码/高时效的数据集成平台，它不仅提供了数据清理和数据分析的功能，还能够将清理后的数据快速应用到其他应用程序中。FDL的功能非常强大，可以轻松地连接多种数据源，包括数据库、文件、云存储等，而且支持大数据量。此外，FDL还支持高级数据处理功能，例如数据转换、数据过滤、数据重构、数据集合等。使用FDL可以显著提高团队协作效率，减少数据连接和输出的繁琐步骤，使整个数据处理流程更加高效和便捷。

数据集成平台产品更多介绍：www.finedatalink.com

                         免费体验Demo 咨询方案

上一篇: BI和ETL以及数据分析，哪个更有发展前景？下一篇: 要实现异构数据库的统一访问？这几个方法帮你解决