目录

第五章  数据清洗与检验

5.1 数据去重

5.1.1 完全去重

5.1.2 不完全去重

5.2 缺失值处理

5.2.1 缺失值清洗策略

 5.2.2 去除缺失值

5.2.3 填充缺失值

本章习题

---

第五章  数据清洗与检验

        常见的数据清洗操作包括重复值的处理、缺失值的处理、异常值的处理等操作。

5.1 数据去重

        数据去重又称重复数据的删除，找出数据文件中重复的数据并将其删除，只保存唯一的数据单元，从而消除冗余数据。数据去重方法分为完全去重和不完全去重。

5.1.1 完全去重

        完全去重指的是消除完全重复的数据。例如两份分别记录不同年份的用户数据信息的表格合并，发现合并后的表格存在完全重复的数据，为了便于使用这些用户数据信息，需要进行数据去重操作。

5.1.2 不完全去重

        数据清洗过程中，所有字段值都相等的重复值是一定要剔除的。根据不同的业务场景，有时还需要选取其中若干字段进行去重操作。

5.2 缺失值处理

      缺失值是指数据集中某个或者某些属性的值是不完整的，产生的原因主要有人为原因和机械原因两种。机械原因是由于机器故障造成数据未能收集或存储失败，人为原因是由主观失误或有意隐瞒造成。

5.2.1 缺失值清洗策略

        下面通过一张图描述缺失数据的缺失率以及重要性划分的四种情况。

 

 5.2.2 去除缺失值

      数据缺失分为两种F1a;一种是行记录的缺失，这种情况又称数据记录丢失；另一种是列值的缺失，即由于各种原因导致的数据记录中某些列的值空缺。

5.2.3 填充缺失值

       数据挖掘中面对的通常都是大型的数据库，它的属性有几十个甚至几百个，因为某个属性值的缺失而放弃大量其他属性，这种删除是对信息的极大浪费，所以产生了插补缺失值的思想与方法。

        常用的填充缺失值的方法是：均值填充、 热卡填充、回归填充、多重填充。

本章习题

四、操作题

1.通过keTTLe工具，实现一下功能：

(1)对文件进行完全去重

(2)对文件中缺失值进行填充

(1)完全去重

1. 打开kettle工具，建立转换

        新建转换，添加“CSV文件输入”、“唯一行（哈希值）”控件以及Hop跳连接线。如图5-1。

图5-1

 2. 配置”CSV文件输入“控件。

        双击”CSV文件输入“控件，进入”CSV文件输入”界面；单击“浏览”按钮，选择需要进行完全去重处理的CSV文件；单击“获取字段”按钮，kettle自动检索CSV文件；单击“预览”按钮，查看CSV文件数据是否加载到CSV文件输入流中，如图5-2。可以看到已经完成抽取，单击“关闭”→“确定”按钮，完成配置。

 图5-2

 3. 配置“唯一行（哈希值）”控件。

        双击“唯一行（哈希值）”控件，进入“唯一行（哈希值）”界面；在“用来比较的字段”处添加要去重的字段，可以单击“获取”按钮，添加需要去重的字段；单击“确定”按钮完成“唯一行（哈希值）”控件配置。如图5-3。

 图5-3

4. 运行转换

        单击工作区顶部的按钮，运行转换。如图5-4。

图5-4 

（2）缺失值填充

1. 打开kettle工具，创建转换

        新建转换，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、”字段选择“控件、“合并记录”控件以及Hop跳连接线。如图5-5。

图5-5 

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”界面；单击“浏览”按钮，选择需要填充缺失值的文件；再单击“增加”按钮，将要填充缺失值的文件添加到“文本文件输入”控件中；单击“内容”选择卡，切换到“内容”选择卡界面。如图5-6。

 图5-6

        在图5-6中清除分隔符处的默认分隔符“；”，单击“Insert TAB”按钮，添加一个制表符；取消勾选“头部”复选框，不取消则会在数据抽取时会排除文件第一行数据；单击“字段”选择卡。如图5-7。

 图5-7

        在“字段”选择卡界面，根据文件内容添加对应的字段名称，并指定数据类型，添加的字段都选择“不去掉空格”；单击“预览”按钮，查看数据是否抽取到文本文件流中，可以看到已经成功抽取，如图5-8；单击“关闭”→“确定”按钮，完成文本文件输入”控件配置。

 图5-8

3. 配置“过滤记录”控件

        双击图5-5中的“过滤记录”控件，进入“过滤记录”界面；在“条件”处设置过滤的条件，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”：下拉列表中选择“空操作（什么也不做）”，将另一个选择“空操作（什么也不做）2”；单击“确定”按钮，完成“过滤记录”控件配置，如图5-9。

 图5-9

4. 配置“替换NULL值”控件

        双击5-5中“替换NULL值”控件，进入“替换NULL值”界面；勾选“选择字段”复选框，并在“字段”框添加字段hours_PEr_week，值替换为44（采用平均值填充，hours_per_week所有值求和的平均值）；单击“确定”按钮，完成“替换NULL值”控件配置，如图5-10。

图5-10

5. 配置“合并记录”控件 

        双击图5-5中“合并记录”控件，进入“合并行（比较）”界面；在“旧数据源”：后的下拉列表选择“替换NULL值“，在”新数据源“：后的下拉列表下选择”空操作（什么也不做）2“；在”匹配的关键字“部分添加关键字段userid；单击”确定“按钮，完成配置。如图5-11。

 图5-11

6. 配置”替换NULL值2“控件

        双击图5-5中”替换NULL值2“控件，进入”替换NULL值2“界面；勾选”选择字段“复选框，并在”字段“框添加字段workclass，值替换为private；单击”确定“按钮，完成”替换NULL值2“控件配置。如图5-12。

图5-12 

7. 配置”字段选择“控件

        双击图5-5中”字段选择“控件，进入”选择/改名值”界面；在“移除“选择卡界面添加需要移除的字段名称flagfield；单击”确定“按钮，完成”字段选择“控件配置。如图5-13。

图5-13

8. 运行转换

        单击转换工作区顶部的运行按钮。如图5-14。

 图5-14