魏 瑤/文

現(xiàn)代社會中，數(shù)據(jù)是構(gòu)成信息的基本形式，特別是統(tǒng)計調(diào)查中的數(shù)據(jù)。如何從海量數(shù)據(jù)中提取有價值信息，數(shù)據(jù)清洗就顯得尤為重要。數(shù)據(jù)清洗是研究如何檢測并消除數(shù)據(jù)中的錯誤、不一致等問題的一種手段，也是提升數(shù)據(jù)質(zhì)量的有效途徑。從數(shù)據(jù)來源、數(shù)據(jù)庫系統(tǒng)結(jié)構(gòu)與特點(diǎn)來看，高質(zhì)量的數(shù)據(jù)所產(chǎn)生的價值越來越大。為此，本文針對數(shù)據(jù)的采集、整理、存儲、分析，就數(shù)據(jù)清洗環(huán)節(jié)進(jìn)行重點(diǎn)探討，并對數(shù)據(jù)清洗流程、數(shù)據(jù)清洗中的問題提出應(yīng)對建議。

一、數(shù)據(jù)清洗及一般流程

數(shù)據(jù)清洗，從概念上講是基于目標(biāo)數(shù)據(jù)，通過采用不同的數(shù)據(jù)檢測、審查、處理、校驗方法，實(shí)現(xiàn)對數(shù)據(jù)的糾錯，清除原數(shù)據(jù)中“臟”的信息，如一些統(tǒng)計調(diào)查中的無效值、缺失值、重復(fù)數(shù)據(jù)、異常數(shù)據(jù)等。數(shù)據(jù)清洗在海量數(shù)據(jù)信息挖掘中具有重要的應(yīng)用價值，借助對“臟數(shù)據(jù)”的清洗提升數(shù)據(jù)質(zhì)量，可以為各類分析決策提供科學(xué)、準(zhǔn)確的評判依據(jù)，提升統(tǒng)計調(diào)查結(jié)果的公信力。從數(shù)據(jù)清洗的對象來看，由于不同類型、不同規(guī)模的數(shù)據(jù)差異性，可以歸納為單數(shù)據(jù)源、多數(shù)據(jù)源兩類。在數(shù)據(jù)采集方式上，有手工錄入的問卷調(diào)查數(shù)據(jù)，也有網(wǎng)絡(luò)調(diào)查系統(tǒng)數(shù)據(jù)、計算機(jī)輔助電話調(diào)查設(shè)計以及PDA 等移動終端采集的數(shù)據(jù)等。單數(shù)據(jù)源中，因缺失完整性約束條件，而出現(xiàn)數(shù)據(jù)差錯、缺失等問題；多數(shù)據(jù)源中，因字段名稱沖突、屬性值、數(shù)據(jù)結(jié)構(gòu)沖突等，也會出現(xiàn)統(tǒng)計邏輯錯誤等。無論是單數(shù)據(jù)源還是多數(shù)據(jù)源，數(shù)據(jù)質(zhì)量是評價數(shù)據(jù)效用的重要指標(biāo)。

從提升數(shù)據(jù)質(zhì)量維度來看，數(shù)據(jù)清洗是最有效的解決方法。對于數(shù)據(jù)清洗，考慮到數(shù)據(jù)分析的可靠性與一致性，需要對數(shù)據(jù)源進(jìn)行預(yù)“清洗”或預(yù)“修復(fù)”，便于提升后續(xù)清洗環(huán)節(jié)的效率。從數(shù)據(jù)清洗過程來看，主要分為：一是對原數(shù)據(jù)進(jìn)行備份，并做好清洗前準(zhǔn)備。通常，面對一項統(tǒng)計調(diào)查所采集的數(shù)據(jù)信息，需要結(jié)合數(shù)據(jù)采集方式進(jìn)行提前合并和預(yù)處理。如電話回訪、網(wǎng)絡(luò)調(diào)查、面談等方式所獲取的數(shù)據(jù)，需要做好數(shù)據(jù)信息的錄入、整理和存儲。同時，面對不同來源的數(shù)據(jù)信息，在進(jìn)行合并時，還需要結(jié)合數(shù)據(jù)格式、變量名稱、數(shù)據(jù)類型等進(jìn)行一致性處理。在對數(shù)據(jù)進(jìn)行清洗作業(yè)前，一定要先對原始數(shù)據(jù)進(jìn)行備份，避免因數(shù)據(jù)清洗而帶來數(shù)據(jù)丟失或損壞。二是對數(shù)據(jù)進(jìn)行審核處理。根據(jù)數(shù)據(jù)量的實(shí)際規(guī)模，在數(shù)據(jù)審核中可采用人工審核、計算機(jī)軟件審核或者兩者相結(jié)合方式對數(shù)據(jù)中的“臟數(shù)據(jù)”進(jìn)行校驗、處理。三是數(shù)據(jù)驗證與評估。對數(shù)據(jù)進(jìn)行清洗后，需要進(jìn)行科學(xué)驗證和評估，如果評估后出現(xiàn)偏差，則需要重新優(yōu)化清洗方案，進(jìn)行再次清洗。四是對清洗后的數(shù)據(jù)建立新的數(shù)據(jù)源備份，便于后續(xù)數(shù)據(jù)挖掘與處理。

二、數(shù)據(jù)清洗的實(shí)際內(nèi)容及常見問題的處置方法

（一）數(shù)據(jù)清洗的實(shí)際內(nèi)容

從數(shù)據(jù)清洗環(huán)節(jié)來看，主要的清洗技術(shù)有人工清洗、計算機(jī)清洗、兩者聯(lián)合清洗等。通常，面對非標(biāo)數(shù)據(jù)源或者數(shù)據(jù)量相對較少的情況，可以借助于人工檢測方式來進(jìn)行人工清洗。但對于數(shù)據(jù)庫龐大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜的數(shù)據(jù)源，可以引入計算機(jī)清洗。利用SPSS、SAS、Python 等軟件，通過設(shè)置校驗規(guī)則，對數(shù)據(jù)源中的不同字段的取值范圍、缺失值、數(shù)據(jù)類型、拼寫錯誤檢查等進(jìn)行識別，對離散程度不大的數(shù)據(jù)源，可以通過數(shù)據(jù)分布特征或箱線圖來進(jìn)行處理。需要強(qiáng)調(diào)的是，在數(shù)據(jù)清洗過程中，準(zhǔn)確性、完整度、現(xiàn)時度、一致度等都是衡量數(shù)據(jù)清洗質(zhì)量的重要指標(biāo)。如某數(shù)據(jù)以＜e，a，v＞方式進(jìn)行描述，e 表示實(shí)體，a 表示屬性，v 表示具體值。準(zhǔn)確度就表示為v 值與真實(shí)值v'的接近程度。若v=v'，則被認(rèn)為是準(zhǔn)確的，否則，這個值是不準(zhǔn)確的。完整度表示為對一切實(shí)體的所有屬性，其對應(yīng)值是否完整的程度。現(xiàn)時度是與數(shù)據(jù)源中的數(shù)據(jù)信息是否會隨著時間的變化而改變，如人的年齡、體重等信息，并非靜態(tài)的。現(xiàn)時度就是衡量時態(tài)數(shù)據(jù)的一個維度，如果某數(shù)據(jù)在t 時刻是準(zhǔn)確的，如果在t時刻是過期的，則數(shù)據(jù)的值是不準(zhǔn)確的。一致度是衡量數(shù)據(jù)的值是否與數(shù)據(jù)模型所定義的約束條件保持一致。在一些商業(yè)調(diào)查中，數(shù)據(jù)庫中的數(shù)據(jù)在不同環(huán)境下被設(shè)計成不同模型，而同一數(shù)據(jù)在不同數(shù)據(jù)模型中的表現(xiàn)形式也不盡相同，這就需要對數(shù)據(jù)進(jìn)行抽取、整合，來解決數(shù)據(jù)一致性問題。如某人收入信息字段，一些數(shù)據(jù)庫是以人民幣為結(jié)算單位，一些數(shù)據(jù)以美元為結(jié)算單位，這就需要對該字段數(shù)據(jù)一致性進(jìn)行處理。最后，對于數(shù)據(jù)清洗，還需要結(jié)合數(shù)據(jù)質(zhì)量要求，進(jìn)行數(shù)據(jù)審核與評估，來提升數(shù)據(jù)清洗的準(zhǔn)確性、完整性、現(xiàn)時度、一致度。

（二）數(shù)據(jù)清洗常見問題的處理

數(shù)據(jù)清洗中常見問題主要有異常值、缺失值、樣本重復(fù)或其他數(shù)據(jù)類型錯誤等。通常，在異常值處理中，面對數(shù)據(jù)樣本中的個別值與樣本屬性值之間存在較大或明顯的偏差，從而表現(xiàn)出異常值現(xiàn)象。數(shù)據(jù)清洗時，可以通過設(shè)置箱形圖方式，對一些異常值的范圍進(jìn)行設(shè)置，通過閾值方式來規(guī)避大于或小于箱形圖上下界的數(shù)值，都給予異常值處理。在處理異常值問題時，一種方式是將異常值轉(zhuǎn)變?yōu)槿笔е?，再進(jìn)行填補(bǔ)缺失值；另一種方式是直接刪除，不做統(tǒng)計分析。一般而言，對調(diào)查數(shù)據(jù)的刪除操作要謹(jǐn)慎，因為一些被刪除數(shù)據(jù)可能也是對某種情況的反映，如果盲目刪除異常值數(shù)據(jù)，可能帶來調(diào)查統(tǒng)計結(jié)果的失真。如在對某吸煙群體進(jìn)行統(tǒng)計調(diào)查中，吸煙量中的個別異常數(shù)據(jù)，可能與煙民所在地區(qū)、年齡、職業(yè)等有較大關(guān)系。如果將這些異常值進(jìn)行刪除，可能會影響分析結(jié)果。因此，在數(shù)據(jù)清洗過程中，對于異常值的處理要審慎，要結(jié)合具體的字段、數(shù)據(jù)類型及調(diào)查實(shí)際，對相關(guān)異常值進(jìn)行判斷分析。異常值數(shù)據(jù)是否為錄入錯誤，可以通過查看紙質(zhì)問卷、訪談錄音，或者電話聯(lián)系受訪者等方式進(jìn)行復(fù)核。針對錄入錯誤在核實(shí)后可以進(jìn)行直接修改；對于真實(shí)的異常值，還應(yīng)該作為調(diào)查統(tǒng)計的一部分。

調(diào)查統(tǒng)計中的數(shù)據(jù)出現(xiàn)缺失值時，其處理方法有以下幾種：

1.將空缺樣本數(shù)據(jù)提交給調(diào)查機(jī)構(gòu)復(fù)核，并補(bǔ)充完整。

2.當(dāng)樣本數(shù)量足夠大時，可以直接刪除，對總體數(shù)據(jù)影響不大。

3.采用特殊填充方法。結(jié)合數(shù)據(jù)調(diào)查內(nèi)容、屬性值類型，根據(jù)樣本均值、中位數(shù)、眾數(shù)等方式進(jìn)行填充。當(dāng)然，特殊填充法本身就對數(shù)據(jù)帶來了影響，因此要合理綜合，避免填充值給數(shù)據(jù)調(diào)查帶來嚴(yán)重偏差。

4.根據(jù)變量間的關(guān)系進(jìn)行推算。如根據(jù)行政區(qū)劃碼，填寫對應(yīng)城市信息等。

另外，一些大型統(tǒng)計調(diào)查項目在調(diào)查中可能會有備用樣本，針對一些有異常值、缺失值的數(shù)據(jù)樣本，還可以直接從備用樣本中進(jìn)行補(bǔ)充。針對調(diào)查樣本中的重復(fù)問題，如利用SAS 軟件對數(shù)據(jù)字段進(jìn)行處理時，可以通過設(shè)置比對條件來檢查樣本是否重復(fù)。同樣，在對數(shù)據(jù)進(jìn)行清洗時，一些變量本身具有重復(fù)性，如地區(qū)、姓名、電話等存在重復(fù)時，可以進(jìn)行原始數(shù)據(jù)核查、確認(rèn)后給予刪除處理。針對統(tǒng)計調(diào)查中數(shù)據(jù)清洗時的其他錯誤問題，如一些字段數(shù)據(jù)類型不匹配，數(shù)據(jù)存儲格式不合理，拼寫錯誤，單個字段存在多個值，或者數(shù)據(jù)間存在矛盾性等。對于該類問題，通常需要結(jié)合數(shù)據(jù)樣本原始數(shù)據(jù)，就可能存在的錄入錯誤進(jìn)行核查，是否存在錄入錯誤、受訪者信息是否失真等等。數(shù)據(jù)清洗時，對一些變量值出現(xiàn)的異常問題，要根據(jù)描述性統(tǒng)計信息，分析各個變量的合理取值范圍，對于不符合邏輯或存在矛盾的數(shù)據(jù)進(jìn)行檢測，并進(jìn)行處理。

三、建議

實(shí)際操作中，根據(jù)統(tǒng)計調(diào)查數(shù)據(jù)源的規(guī)模及數(shù)據(jù)質(zhì)量要求，需要對“臟數(shù)據(jù)”進(jìn)行分析，并對出現(xiàn)的數(shù)據(jù)偏差進(jìn)行處理?？傮w而言，為提升數(shù)據(jù)清洗質(zhì)量和效率，建議做好以下工作：

1.重視數(shù)據(jù)清洗環(huán)節(jié)，結(jié)合統(tǒng)計調(diào)查數(shù)據(jù)，設(shè)置合理、科學(xué)的數(shù)據(jù)清洗方案，提升數(shù)據(jù)清洗質(zhì)量。

2.注重對數(shù)據(jù)清洗人力結(jié)構(gòu)與專業(yè)能力的提升。統(tǒng)計調(diào)查涉及的數(shù)據(jù)量大、人員多，對相關(guān)人員的專業(yè)化水平要求更高。如果不懂統(tǒng)計業(yè)務(wù)，可能會帶來數(shù)據(jù)錄入錯誤。一些數(shù)據(jù)在進(jìn)行清洗時，需要從數(shù)據(jù)邏輯關(guān)系上進(jìn)行判斷，對重要數(shù)據(jù)進(jìn)行檢驗，提升數(shù)據(jù)清洗科學(xué)效度。

3.做好數(shù)據(jù)清洗流程安排。根據(jù)數(shù)據(jù)清洗要求，細(xì)化崗位職責(zé)，充分發(fā)揮計算機(jī)、人工輔助數(shù)據(jù)清洗優(yōu)勢，保障數(shù)據(jù)清洗質(zhì)量。

4.構(gòu)建統(tǒng)一的數(shù)據(jù)管理平臺，積極引入現(xiàn)代網(wǎng)絡(luò)、大數(shù)據(jù)、云平臺等技術(shù)，對相關(guān)數(shù)據(jù)統(tǒng)一收集、存儲、審核、處理，確保數(shù)據(jù)統(tǒng)計分析質(zhì)量。