这是我的第19篇原创
网上很多ETL工程师很焦虑，不知道之后的职业道路怎么规划。其实我们需要先内圣，而后外王。ETL的工作很枯燥，但是一样可以总结出非常多的内容。ETL工程师往技术方向可以走数仓、数据架构师路线；往算法方向可以走数据挖掘、AI的路线；往业务方向可以走商业数据分析的路线。
回到正题，数据清洗是ETL工程师的核心工作之一，我们以终为始，剖析一下数据清洗这件事。
好，干货开始。数据清洗的目的可以从两个角度上看一是为了解决数据质量问题，二是让数据更适合做挖掘。不同的目的下分不同的情况，也都有相应的解决方式和方法。
解决数据质量问题
这部分主要是规范数据，满足业务的使用，解决数据质量的各种问题，其目的包括但不限于：
- 数据的完整性----例如人的属性中缺少性别、籍贯、年龄等
- 数据的唯一性----例如不同来源的数据出现重复的情况
- 数据的权威性----例如同一个指标出现多个来源的数据，且数值不一样
- 数据的合法性----例如获取的数据与常识不符，年龄大于150岁
- 数据的一致性----例如不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致
数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据，提供给数据统计、数据挖掘等使用。
那么为了解决以上的各种问题，我们需要不同的手段和方法来一一处理。
每种问题都有各种情况，每种情况适用不同的处理方法，具体如下：
- 1：解决数据的完整性问题：
解题思路：数据缺失，那么补上就好了。补数据有什么方法？
- 通过其他信息补全，例如使用身份证件号码推算性别、籍贯、出生日期、年龄等
- 通过前后数据补全，例如时间序列缺数据了，可以使用前后的均值，缺的多了，可以使用平滑等处理，记得Matlab还是什么工具可以自动补全
- 实在补不全的，虽然很可惜，但也必须要剔除。但是不要删掉，没准以后可以用得上
- 2：解决数据的唯一性问题
解题思路：去除重复记录，只保留一条。去重的方法有：
- 按主键去重，用sql或者excel“去除重复记录”即可，
- 按规则去重，编写一系列的规则，对重复情况复杂的数据进行去重。例如不同渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。
- 3：解决数据的权威性问题
解题思路：用最权威的那个渠道的数据方法:对不同渠道设定权威级别，例如：在家里，首先得相信媳妇说的。。。
- 4：解决数据的合法性问题
解题思路：设定判定规则
- 设定强制合法规则，凡是不在此规则范围内的，强制设为最大值，或者判为无效，剔除
- 字段类型合法规则：日期字段格式为“2010-10-10”
- 字段内容合法规则：性别 in （男、女、未知）；出生日期<=今天
- 设定警告规则，凡是不在此规则范围内的，进行警告，然后人工处理
- 警告规则：年龄》110
- 离群值人工特殊处理，使用分箱、聚类、回归、等方式发现离群值
- 5：解决数据的一致性问题
解题思路：建立元数据体系，包含但不限于：
- 指标体系（度量）
- 维度（分组、统计口径）
- 单位
- 频度
- 数据
tips：
如果数据质量问题比较严重，建议跟技术团队好好聊聊。
如果需要控制的范围越来越大，这就不是ETL工程师的工作了，得升级为数据治理了，下次有空再分享。
供应算法原料
- 这部分主要是让数据更适合数据挖掘，作为算法训练的原料。其目标包括但不限于：
- 高维度----不适合挖掘
- 维度太低----不适合挖掘
- 无关信息----减少存储
- 字段冗余----一个字段是其他字段计算出来的，会造成相关系数为1或者主成因分析异常）
- 多指标数值、单位不同----如GDP与城镇居民人均收入数值相差过大
- 1：解决高维度问题
解题思路：降维，方法包括但不限于：
- 主成分分析
- 随机森林
- 2：解决维度低或缺少维度问题
解题思路：抽象，方法包括但不限于：
- 各种汇总，平均、加总、最大、最小等
- 各种离散化，聚类、自定义分组等
- 3：解决无关信息和字段冗余
解决方法：剔除字段
- 4：解决多指标数值、单位不同问题
解决方法：归一化，方法包括但不限于：
- 最小-最大
- 零-均值
- 小数定标
其实ETL工程师有非常好的数据功底，无论是转那个岗都方便，你缺少的是系统的学习和迈出去的勇气。
