分析的前提—數(shù)據(jù)質(zhì)量3
來源:解決方案 2012-11-21
但很多時候網(wǎng)站分析中如果底層的日志存在缺失值,我們很難預(yù)測具體的缺失值,因為訪問的細(xì)節(jié)幾乎是無跡可尋的,所以對于訪問記錄存在缺失值并且這些字段的缺失會明顯影響一些統(tǒng)計指標(biāo)的計算時,最簡單的方法就是舍棄該記錄,但這種直接過濾掉缺失記錄的方法一些只會用于訪問日志等不需要非常精確的數(shù)據(jù)上,如果是網(wǎng)站的運營、交易等這些需要保證完全計算準(zhǔn)確的數(shù)據(jù)絕對是不能直接舍棄的,而且對于訪問日志中缺失或者異常記錄的過濾也需要基于對這類數(shù)據(jù)的統(tǒng)計基礎(chǔ)上,一般的原則是不太重要的字段如果缺失或者異常的記錄占比小于1%或者5‰的情況下可以選擇過濾這些記錄,如果占比比較高,需要進(jìn)一步排查日志記錄是否存在問題
前面的兩篇文章——分析的前提—數(shù)據(jù)質(zhì)量1和分析的前提—數(shù)據(jù)質(zhì)量2分別介紹了通過Data Profiling的方法獲取數(shù)據(jù)的統(tǒng)計信息,并使用Data Auditing來評估數(shù)據(jù)是否存在質(zhì)量問題,數(shù)據(jù)的質(zhì)量問題可以通過完整性、準(zhǔn)確性和一致性三個方面進(jìn)行審核這篇文章介紹最后一塊內(nèi)容——數(shù)據(jù)修正(Data Correcting)
數(shù)據(jù)審核幫助我們發(fā)現(xiàn)數(shù)據(jù)中存在的問題,而這些問題有時候可以利用一些方法就行修正,從而提升數(shù)據(jù)的整體質(zhì)量,數(shù)據(jù)修正就是為了完成這個任務(wù),可以從以下幾個方面進(jìn)行修正:
填補(bǔ)缺失值
對于記錄缺失的問題,最簡單的辦法就是數(shù)據(jù)回補(bǔ)一般而言統(tǒng)計指標(biāo)數(shù)據(jù)缺失可以從原始數(shù)據(jù)中重新統(tǒng)計獲取,而原始數(shù)據(jù)缺失可以從抽取的數(shù)據(jù)源或者備份數(shù)據(jù)中回補(bǔ)如果原始數(shù)據(jù)完全丟失,基本就回天無力了
對于字段值的缺失,很多資料都會介紹使用一些統(tǒng)計學(xué)的方法進(jìn)行修補(bǔ),其實就是對缺失值的預(yù)測或者估計,一般會使用平均數(shù)、眾數(shù)、前后值取平均等方法,或者使用回歸分析的方法擬合指標(biāo)的變化趨勢后進(jìn)行預(yù)測這些方法在缺失值無法使用其他途徑找回或者重新統(tǒng)計計算,并且在缺失值有變化規(guī)律可循的前提下都是可取的,當(dāng)某天的指標(biāo)值丟失時可以通過這類方法根據(jù)前幾天的數(shù)據(jù)來預(yù)估該天的數(shù)值
刪除重復(fù)記錄
數(shù)據(jù)集里面某些字段的值必然是唯一的,比如按天統(tǒng)計的指標(biāo)值中的日期字段,用戶信息表的用戶ID等,這些需要保證唯一的規(guī)則可以對數(shù)據(jù)庫設(shè)置唯一約束,但我們在做ETL處理時,有時為了保證數(shù)據(jù)加載全過程可以不因為違反唯一約束而中斷(有時Load的過程需要較長的時間或處理成本,ETL需要有容錯能力以保證整個過程不被中斷)會先忽略重復(fù)記錄,待整個ETL過程結(jié)束后再對需要保證唯一的字段進(jìn)行去重處理
這些重復(fù)記錄可以比對Data Profiling中數(shù)據(jù)統(tǒng)計信息的唯一值個數(shù)和記錄總數(shù)是否一致進(jìn)行審核,而進(jìn)行修正的最簡單辦法就是重復(fù)記錄僅保留一條,刪除其他記錄這個需要根據(jù)現(xiàn)實情況,有時也可能使用把重復(fù)記錄的統(tǒng)計量相加的方法進(jìn)行去重
轉(zhuǎn)化不一致記錄
數(shù)據(jù)的轉(zhuǎn)化是數(shù)據(jù)倉庫抽取數(shù)據(jù)過程中最常見的處理,因為數(shù)據(jù)倉庫“集成性”的特征,需要把來自多個數(shù)據(jù)源的數(shù)據(jù)集中存入數(shù)據(jù)倉庫,而不同數(shù)據(jù)源對某些含義相同的字段的編碼規(guī)則會存在差異,比如用戶ID,雖然是相同的用戶,但可能A系統(tǒng)的ID是u1001,B系統(tǒng)是1001,C系統(tǒng)是,來源于這三套系統(tǒng)的用戶ID就需要統(tǒng)一,比如我們將A數(shù)據(jù)源的u前綴去除,C系統(tǒng)ID除100后統(tǒng)一成B系統(tǒng)的編碼方式一起導(dǎo)入數(shù)據(jù)庫;即使是來源于同一套日志,也可能存在記錄的不一致,比如之前遇到較早發(fā)布的產(chǎn)品版本記錄的日志中移動操作系統(tǒng)是Android,而版本更新后記錄改成了android,新老版本的日志打到了一起,于是也會涉及數(shù)據(jù)的轉(zhuǎn)化,但這種記錄的不一致性無疑會增加ETL的處理成本
上面舉例的轉(zhuǎn)化規(guī)則是比較簡單的,在數(shù)據(jù)倉庫的ETL處理數(shù)據(jù)轉(zhuǎn)化時可能會遇到一些很BT的規(guī)則,這個時候最關(guān)鍵的還是對數(shù)據(jù)源記錄方式足夠的熟悉,這樣才能保證進(jìn)入數(shù)據(jù)倉庫的數(shù)據(jù)是一致的最好的做法就是數(shù)據(jù)倉庫的開發(fā)工程師與其他前臺系統(tǒng)的開發(fā)人員能事先約定一套統(tǒng)一的數(shù)據(jù)記錄和編碼的方式,這樣可以減少后期的協(xié)調(diào)溝通和轉(zhuǎn)化處理成本
處理異常數(shù)據(jù)
異常數(shù)據(jù)大部分情況是很難修正的,比如字符編碼等問題引起的亂碼,字符被截斷,異常的數(shù)值等,這些異常數(shù)據(jù)如果沒有規(guī)律可循幾乎不可能被還原,只能將其直接過濾
有些數(shù)據(jù)異常則可以被還原,比如原字符中參雜了一些其他的無用字符,可以使用取子串的方法,用trim函數(shù)可以去掉字符串前后的空格等;字符被截斷的情況如果可以使用截斷后字符推導(dǎo)出原完整字符串,那么也可以被還原,比如移動操作系統(tǒng)的記錄一般包括Symbian、Android、iPhone、BlackBerry等,如果某些記錄的是And,那么可以被還原成Android,因為其他的移動操作系統(tǒng)被截斷不可能出現(xiàn)And這種記錄數(shù)值記錄中存在異常大或者異常小的值是可以分析是否數(shù)值單位差異引起的,比如克和千克差了1000倍,美元和人民幣存在匯率的差異,時間記錄可能存在時區(qū)的差異,百分比用的是小于1的小數(shù)還是已經(jīng)乘了100等等,這些數(shù)值的異�？梢酝ㄟ^轉(zhuǎn)化進(jìn)行處理,數(shù)值單位的差異也可以認(rèn)為是數(shù)據(jù)的不一致性,或者是某些數(shù)值被錯誤的放大或縮小,比如數(shù)值后面被多加了幾個0導(dǎo)致了數(shù)據(jù)的異常
最后,總結(jié)一下數(shù)據(jù)可修正的前提:1) 數(shù)據(jù)質(zhì)量的問題可以通過Data Auditing的過程被審核出來;2) 數(shù)據(jù)的問題必須有跡可循,可以通過趨勢進(jìn)行預(yù)測或者可以通過一些規(guī)則進(jìn)行轉(zhuǎn)換還原否者,對于異常數(shù)據(jù)只能直接進(jìn)行刪除丟棄,但進(jìn)行數(shù)據(jù)過濾之前必須評估異常記錄的比例,當(dāng)占比過高時需要重新審核原始數(shù)據(jù)的記錄方式是否存在問題
文章來源:網(wǎng)站數(shù)據(jù)分析,轉(zhuǎn)載請注明出處
注:相關(guān)網(wǎng)站建設(shè)技巧閱讀請移步到建站教程頻道
收藏本文
文章編輯: 365webcall網(wǎng)上客服系統(tǒng)(www.365webcall.com)
我的評論
| 登錄賬號： | 密碼： | 快速注冊 | 找回密碼 |  |
