你还在为数据清洗头疼吗？一文帮你梳理数据清洗六大常见问题
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，数据缺失值多但又很重要的数据，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：
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。
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。
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。
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。
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，往往存在数据字段格式不一致的情况，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。
帆软FineDataLink——中国领先的低代码/高时效数据集成产品，能过为企业提供一站式的数据服务，通过快速连接、高时效融合多种数据，提供低代码Data API敏捷发布平台，帮助企业解决数据孤岛难题，有效提升企业数据价值。
立即沟通
