开发者社区> 技术小美> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

关于数据仓库数据质量的问题处理

简介:
+关注继续查看
ETL 是数据仓库的最重要的基础,良好的 ETL 从业务系统中抽取数据,转换数据质量,保证数据一致性,这样才能够保证各个独立的不同的数据源能够集成到一起,最终只有这样才能真正达到决策支持的目的。
 

自己用英文写的,在翻译回来,感觉很蹩脚,也做了很多删减!
 

ETL 是数据仓库的最重要的基础,良好的 ETL 从业务系统中抽取数据,转换数据质量,保证数据一致性,这样才能够保证各个独立的不同的数据源能够集成到一起,最终只有这样才能真正达到决策支持的目的。
数据清洗是 ETL系统的一个最重要的步骤,数据的抽取和加载也是很必要的,但是他们只负责数据的迁移和重组格式。只有数据清洗才能真正改变数据,并且为了目标提供高质量的数据保证。
高质量数据意味着:
正确的。数据的值和描述一定是真实的和业务系统保持一致的。 
明确的。数据的值和描述有且只能有一个意思 
一致的。数据的值和描述在全局中也即数据仓库中都表示一个意思 
完整的。这有两个方面。首先确保每一条数据都必须是有意义的(不能为 NULL值),其次要求我们在处理过程中不能有任何信息的“损失” 
通常情况下,当 BI/DW 项目结束时,用户总是会将 BI 报表和 OLTP 报表或者明细报表进行比较,以检验数据仓库报表的准确性。一旦用户发现它们之间是不一致的或者误差超过一定比率,他们往往就会认为 BI 项目很失败。
没有绝对的准确,但是一定要知道为什么不准确,这是数据仓库项目的一个基本要求。
数据仓库的数据来自于多个数据源,所以数据的一致性很难得到保证,既然没有绝对的准确,那么就需要制定一个标准。因此我们建议和客户达成一种相对标准,定义一个可以接受的误差范围。在这个前提下,我们找到误差的原因,并给出分析报告,来提高客户的满意度和对数据仓库项目的信心,从而确保数据仓库项目成功的机率。
1、根源和选择
2、数据质量存在问题的根本原因在于数据源,保证数据质量是很困难的事情。这是事实,但是那一些潜在的问题会带来数据质量问题呢?可以归为以下几类:
数据格式问题 ,l 例如数据缺失,超出数据范围,无效数据格式等等。 
3、数据一致性问题,处于数据库性能考虑,有时候可能会有意的去掉一些外间或者检查约束。 
4、业务逻辑问题,这个很难说正确还是错误,通常是由于数据库设计得不够严格或者谨慎。 
构造数据仓库系统时,完全理解业务系统的业务逻辑和整体情况是不可能的。我们不能完全去研究那些详细的设计文档,同时后来的很多需求变更也并不完全放映到文档上来,因此需要花费大量的时间去定位和分析其中的原因和变化。用户要求在进行 ETL 之前必须了解所有的业务逻辑和规则,显然也是不现实的。个人认为我们只需要了解和处理那些可能遭遇问题的数据。我们必须决定这些数据是拒绝呢还是处理。假如数据质量得不到保证的话,在后续的处理过程中,这样的错误将逐渐被放大。

正是因为数据质量问题贯穿于项目的整个生命周期,而且不能避免,我们必须面对而且给出解决办法,尽量把影响减小到最少。
通常情况下,当我们遇到错误数据, ETL 一般提供以下 4 种解决办法:
1、没有任何处理的通过记录 
2、通过记录,打上错误标记 
3、拒绝记录 
4、停止 ETL 任务

下面就这几种情况进行一下分析:
首先选项 1明显不能保证数据质量,并将最终影响报表质量。
其次选项 3也不能保证数据完整性,因为数据将发生遗弃,也将会影响报表质量。
再次选项 4会影响 ETL处理,导致数据仓库不能正常运行下去。
所以,最常见的处理方式就是选项 2,首先保证这些记录顺利通过,然后记录一些错误标志,并通过报表反映出来。
 
这样做有以下四种好处:
1、通过特殊处理确保了数据的完整性 
2、反映了数据仓库的数据源数据质量 
3、对数据质量可以有一个比较准确的度量 
4、确保了数据仓库的顺利实施和任务的正常调度 
数据质量应该尽量确保在 ETL 环节中进行,因为每一点的错误都会导致后续处理的无限放大,同时数据仓库的处理是线性进行的,当发现错误时,很难回过头来对数据进行重新的处理。因此尽量把错误和数据质量问题消除在靠前的位置。
可测量性 
数据清洗通常根据不同的情况进行处理,在这里没有办法一一列举,只能对常用的几种情况进行分析处理。
维度: NULL值 
假如维度数据为空,在数据处理时可能会导致错误的处理,通过 SQL 处理时事实表中可能会丢失这部分数据。
维度:外键丢失 
前者提到处于数据库性能考虑,业务系统有时候会放弃外间约束或者检查约束,但这样数据的完整性有时无法得到保证,当数据被修改或者删除的时候,这部分数据可能会变成孤儿数据。
度量值:超出范围 
假如没有约束和检查规则,原始数据表中的度量值可能为空或者超出预想的范围,当我们处理和计算这部分数据的时候,也会导致错误的结果。
业务逻辑和录入错误 
很显然,这部分错误,我们基本上是无能为力的,缺乏有效的验证和纠错,实际上数据仓库的流水线作业形式和巨大的数据量,让我们对这些数据的校验变得不太可能了。我们只能祈求业务系统录入人员的责任心了。

处理
实际上对于 NULL 值,缺乏一致性,数据范围的处理,可以通过简单的语句来完成。
Example:
 
 
 
-- Create a original table, only include ID and two measure fields. 
-- here ID is one of attribute columns only, so it can be Null values.
-- two measure fields have no constraint or check rule, they may be 
-- NULL or out of Scope, on the assumption that the scope value of 
-- measure1 and measure2 field is between 0 and 100.
Create table table_original
(
ID INT,
Measure1 LONG,
Measure2 LONG
)
-- Create a dimension table, only include ID and Name fields.
CREATE TABLE table_dimension
(
ID INT CONSTRAINT Pri_Table_Dimension PRIMARY KEY,
Name VARCHAR2 (20)
)
-- Create a fact table, Only include ID and two Measure. It will save 
-- compute or count result.
Create table table_fact
(
ID INT NOT NULL,
Measure1 LONG,
Measure2 LONG
)
--Insert a sample data into dimension table and original table.
INSERT INTO table_dimension VALUES (1,'a');
INSERT INTO table_dimension VALUES (2,'b');
COMMIT;
INSERT INTO table_original VALUES (1,1,1);
INSERT INTO table_original VALUES (2,101,2);
INSERT INTO table_original VALUES (3,3,3);
INSERT INTO table_original VALUES (null,4,4);
COMMIT;
 
 

--Common OLTP Report Usage, Query SQL is like 
SELECT A.ID ID,SUM(A.Measure1) Measure1,SUM(A.Measure2) Measure2
FROM table_original A,table_dimension B
WHERE A.ID = B.ID
GROUP BY A.ID;
--The Result is below:
ID Measure1 Measure2
1 1 1
2 101 2
So we can get the count value of 1 and 2 in ID field only, it means two
Records are lost, in fact the Measure1 value of ID 2 is out of scope. 
 

--If in OLAP report, we will make Data Clean
--If ID is NULL, we will use -1 replace it
--If ID is not exist in original table, we will use -2 replace it
--We also need check the validity and scope of measures field, we will 
--give a default value or average value, it depend on our need.
--So query SQL is like
SELECT -- A.ID,B.ID, -- the transformed field names ID
DECODE(NVL(A.ID,-2),-2,-2, DECODE(NVL(B.ID,-1),-1,-1,B.ID)) AS ID,
SUM(CASE A.Measure1>0 AND A.Measure1<100 THEN Measure1 ELSE 0 END
) Measure1,
SUM(CASE A.Measure2>0 AND A.Measure2<100 THEN Measure2 ELSE 0 END
) Measure2,
FROM table_original A,table_dimension B
WHERE A.ID = B.ID(+)
GROUP BY DECODE(NVL(B.ID,-2),-2,-2, DECODE(NVL(B.ID,-1),-1,-1,B.ID)) 
 

So we will get the result below
Record 
 A.ID 
 B.ID 
 ID 
 Measure1 
 Measure2 
 

 1 
 1 
 1 
 1 
 1 
 

 2 
 2 
 2 
 0 
 2 
 

 3 
 NULL 
 -2 
 3 
 3 
 

 NULL 
 NULL 
 -1 
 4 
 4 
 
加入校验过于复杂,我们也可以求助用户自定义函数或者存储过程进行数据清洗。
数据质量的可度量性 
如果用户对报表质量提出质疑,我们可以比较容易的给出错误度量报表,只需要提供各个维度中 -1 , -2 的数据即可。假如方便的话,还可以提供相关图表。
当然如果在报表仍然存在问题,我们只能求助于 SQL ,通过排除法,来完成报表的质量验证工作。
 

--First count the record number of original table.
SELECT COUNT(*)
FROM table_original A
--Relate with the first dimension table, and capture the record number. 
SELECT COUNT(*)
FROM table_original A,table_dimension1 B
WHERE A.ID = B.ID;
--Relate with the second and more dimension table, and capture the 
--record number, to verify the result.
SELECT COUNT(*)
FROM table_original A,table_dimension1 B, table_dimension2 C
WHERE A.ID = B.ID
AND A.ID = C.ID; 
 
 









本文转自baoqiangwang51CTO博客,原文链接:http://blog.51cto.com/baoqiangwang/309768,如需转载请自行联系原作者

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
浅谈数据仓库质量管理规范
浅谈数据仓库质量管理规范
6 0
时间序列数据的处理
随着云计算和IoT的发展,时间序列数据的数据量急剧膨胀,高效的分析时间序列数据,使之产生业务价值成为一个热门话题。阿里巴巴数据库事业部的HiTSDB团队为您分享时间序列数据的计算分析的一般方法以及优化手段。
4684 0
【中亦安图】关于数据库文件损坏风险的提醒(3)
  第一章 技术人生系列 · 我和数据中心的故事(第三期)-中亦科技关于数据库文件损坏风险的提醒 中亦安图 | 2016-01-19 21:38 前言 小y最近处理了几起Oracle数据库文件损坏的case,因为某些Bug风险较大,因此不敢有丝毫怠慢,赶紧拿出来分享!希望能够帮助到有需要的朋友!风险提示! 如上图所示,Linux 5/6上的一个已知缺陷,在某些触发条件下,将导致Oracle数据文件出现内容全是0的的坏块。
1062 0
大数据处理书籍
apache yarn http://www.amazon.com/Apache-Hadoop-YARN-Processing-Addison-Wesley/dp/0321934504/re...
607 0
php 发送超大数据处理
set_time_limit(0);//设置永不超时 ignore_user_abort(); //设置客户端断开,继续处理 //总数 $allusercount= $this->gamedb_model->query_onerow(); $allcoun...
624 0
+关注
6819
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
低代码开发师(初级)实战教程
立即下载
阿里巴巴DevOps 最佳实践手册
立即下载
冬季实战营第三期:MySQL数据库进阶实战
立即下载