大数据处理技术之数据清洗

我们在做数据分析工作之前一定需要对数据进行观察并整理，这是因为挖掘出来的数据中含有很多无用的数据，这些数据不但消耗分析的时间，而且还会影响数据分析结果，所以我们需要对数据进行清洗。在这篇文章中我们重点给大家介绍一下数据清洗的相关知识。

那么什么是数据清洗呢？一般来说，数据清洗是指在数据集中发现不准确、不完整或不合理数据，并对这些数据进行修补或移除以提高数据质量的过程。而通常来说，数据清洗框架由5个步骤构成，第一就是定义错误类型，第二就是搜索并标识错误实例，第三就是改正错误，圆晌第四就是文档记录错误实例和错误类型，第五就是修改数据录入程序以减少未来的错误。

我们按照数据清洗的步骤进行工作的时候还需要重视格式检查、完整性检查、合理性检查和极限检查，这些工作也在数据清洗过程中完成。数据清洗对保持数据的一致和更新起着重要的作用，因此被用于多个行业。而尤其是在电子商务领域，尽管大多数数据通过电子方式收集，但仍存在数敬蚂据质量问题。影响数据质量的因素包括软件错误、定制错误和系统配置错误等。通过检测爬虫和定期执行客户和帐户的重复数据删，对电子商务数据进行清洗。所以说数据清洗倍受大家的关注。

而在RFID领域，有关文献研究了对RFID数据的清洗。一般来说，RFID技术用于许多应用，如库存检查和目标跟踪等。然而原始的RFID数据质量较低并包含许多由于物理设备的限制和不同类型环境噪声导致的异常信息。这就是肮脏数据产生的影响，所以说数据清洗工作是多么的重要。而这一文献则实现了一个框架，这种框架用于对生物数据进行标准化。在该框架的辅助下，生物数据中的错误和副本可以消除，数据挖掘技术能够更高效地运行。

所以说数据清橘稿锋洗对随后的数据分析非常重要，因为它能提高数据分析的准确性。但是数据清洗依赖复杂的关系模型，会带来额外的计算和延迟开销，必须在数据清洗模型的复杂性和分析结果的准确性之间进行平衡。

在这篇文章中我们给大家介绍了很多关于数据清洗的相关知识，通过这篇文章我们不难发现数据清洗的重要性——数据清洗工作占据整个数据分析工作的七成时间。希望这篇文章能够更好地帮助大家。

数据采集、数据导入和清洗预处理、数据统计分侍春宽析和挖掘、结果可视化。

1、首先，数据采集。大数据的采集采用ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据以及其他非结构化数据等抽取到临时文件或数据库中森姿。

2、其次，数据导入和清洗预处理。采集好数据，肯定不少是重复或是无用的数据，此时需要对数据进行简单的清洗和预处理，使得不同来源的数据整合成一致的，适合数据分析算法和工具读取的数据，如数据去重、异常处理和数据归一化等，然后将这些数据存到大型分布式数据库或者分布式存储集群中。

3、然后，数据统计分析和挖掘。统计分析需要用到工具来处理，比如SPSS工具、一些结构算法模型，进行分类汇总以满足各种数据分析需求。

4、最后，结果可视化。大数据分析的使用者有大数据分析专家，同时还有普通老亮用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

数据清洗过程包括遗漏数据处理，噪声数据处理，以及不一致数据处理。

数据清洗的主要处理方法。

遗漏数据处理

假设在分析一个商场销售数据时，发现有多个记录中的属性值为空，如顾客的收入属性，则对于为空的属性值，可以采用以下方法进行遗漏数据处理。

忽略该条记录

若一条记录中有属性值被遗漏了，则将此条记录排除，尤其是没有丛携类别属性值而又要进行分类数据挖掘时。

当然，这种方法并不很有效，尤其是在每个属性的遗漏值的记录比例相差较大时。

手工填补遗漏值

一般这种方法比较耗时，而且对于存在许多遗漏情况的大规模数据集而言，显然可行性较差。

利用默认值填补遗漏值

对一个属性的所有遗漏的值均利用一个事先确定好的值来填补，如都用“OK”来填补。但当一个属性的遗漏值较多时，若采用这种方法，就可能误导挖掘进程。

因此这种方法虽然简单，但并不推荐使用，或使用时需要仔细分析填补后的情况，以尽量避免对最终挖掘结果产生较大误差。

利用均值填补遗漏值

计算一个属性值的平均值，并用此值填补该属性所有遗漏的值。例如，若顾客的平均收入为 10000 元，则用此值填补“顾客收入”属性中所有被遗漏的值。

利用同类别均值填补遗漏值

这种方法尤其适合在进行分类挖掘时使用。

例如，若要对商场顾客按信用风险进行分类挖掘时，就可以用在同一信用风险类别（如良好）下的“顾客收入”属性的平均值，来填补所有在同一信用风险类别下“顾客收入”绝隐属性的遗漏值。

最后利用最可能的值渗宏伏填补遗漏值

可以利用回归分析、贝叶斯计算公式或决策树推断出该条记录特定属性的最大可能的取值。

例如，利用数据集中其他顾客的属性值，可以构造一个决策树来预测“顾客收入”属性的遗漏值。

最后一种方法是一种较常用的方法，与其他方法相比，它最大程度地利用了当前数据所包含的信息来帮助预测所遗漏的数据。

大数据中常见的清洗方法主要是按照数据清洗规则对数据记录进行清洗，然后，再经过清洗算法对数据进一步清洗，削减脏数据量，提高数据质量，为将来的分析和总结提供了有力的数据基础与理论依据。

---