劉政宇

摘要：本文探討了數(shù)據(jù)清洗技術(shù)，研究了大數(shù)據(jù)的數(shù)據(jù)清洗技術(shù)及運(yùn)用，希望為研究數(shù)據(jù)清洗技術(shù)的專家和學(xué)者提供理論參考依據(jù)。

關(guān)鍵詞：大數(shù)據(jù);數(shù)據(jù)清洗技術(shù);應(yīng)用

中圖分類號：TP311.13 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）04-0092-01

0 引言

大數(shù)據(jù)時(shí)代來臨，數(shù)據(jù)的類型多樣化，數(shù)據(jù)的數(shù)量增多，這給數(shù)據(jù)清洗帶來一定的問題，如何科學(xué)有效的對數(shù)據(jù)清洗，滿足現(xiàn)代企業(yè)發(fā)展需要。傳統(tǒng)的數(shù)據(jù)清洗方法已經(jīng)不適合現(xiàn)代社會發(fā)展需要，尤其大數(shù)據(jù)時(shí)代數(shù)據(jù)的多元化，必須更新現(xiàn)在數(shù)據(jù)清洗技術(shù)，提高數(shù)據(jù)清洗的能力，滿足大數(shù)據(jù)時(shí)代數(shù)據(jù)清洗的需要。

1 數(shù)據(jù)清洗技術(shù)概述

數(shù)據(jù)在采集的過程中出現(xiàn)錯(cuò)誤的數(shù)據(jù)是一種正?，F(xiàn)象，一旦數(shù)據(jù)在應(yīng)用與模型中已經(jīng)形成，需要在數(shù)據(jù)庫中對錯(cuò)誤數(shù)據(jù)進(jìn)行處理，這時(shí)候需要發(fā)揮數(shù)據(jù)清洗技術(shù)的作用。為了提高數(shù)據(jù)質(zhì)量而剔除數(shù)據(jù)中錯(cuò)誤記錄的一種技術(shù)手段，在實(shí)際應(yīng)用中通常與數(shù)據(jù)挖掘技術(shù)、數(shù)據(jù)倉庫技術(shù)、數(shù)據(jù)整合技術(shù)結(jié)合應(yīng)用。在具體數(shù)據(jù)清洗的過程中，根據(jù)清洗數(shù)據(jù)的特點(diǎn)，需要選擇合適的數(shù)據(jù)清洗方式，同時(shí)選用其它數(shù)據(jù)分析相應(yīng)的數(shù)據(jù)技術(shù)，對錯(cuò)誤的數(shù)據(jù)進(jìn)行科學(xué)有效的清洗，達(dá)到數(shù)據(jù)清洗的目的。

數(shù)據(jù)清洗技術(shù)的基本原理為：在分析數(shù)據(jù)源特點(diǎn)的基礎(chǔ)上，找出數(shù)據(jù)質(zhì)量問題原因，確定清洗要求，建立起清洗模型，應(yīng)用清洗算法、清洗策略和清洗方案對應(yīng)到數(shù)據(jù)識別與處理中，最終清洗出滿足質(zhì)量要求的數(shù)據(jù)。在對數(shù)據(jù)進(jìn)行處理的過程中，數(shù)據(jù)清洗一般起到重要作用，其需要把錯(cuò)誤的數(shù)據(jù)清洗，這樣對數(shù)據(jù)進(jìn)行分析才有一定的意義。數(shù)據(jù)清洗是數(shù)據(jù)分析、數(shù)據(jù)挖掘的前提，也是數(shù)據(jù)預(yù)處理的關(guān)鍵環(huán)節(jié)，可保證數(shù)據(jù)質(zhì)量和數(shù)據(jù)分析的準(zhǔn)確性。數(shù)據(jù)處理是一個(gè)多元化因素，必須利用現(xiàn)有的技術(shù)進(jìn)行科學(xué)有效的進(jìn)行數(shù)據(jù)處理，在數(shù)據(jù)處理的過程中，數(shù)據(jù)清洗起到重要作用，數(shù)據(jù)分析前提必須數(shù)據(jù)正確，數(shù)據(jù)錯(cuò)誤進(jìn)行分析沒有任何意義。在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)清洗技術(shù)已經(jīng)被廣泛應(yīng)用于大健康、銀行、移動通信、交通等領(lǐng)域，在一定程度上保證了數(shù)據(jù)質(zhì)量，為大數(shù)據(jù)決策提供了可靠依據(jù)。數(shù)據(jù)清洗應(yīng)用的范圍廣，有數(shù)據(jù)的地方，基本都需要數(shù)據(jù)清洗，在互聯(lián)網(wǎng)+時(shí)代，數(shù)據(jù)采集的多元化，這是增加數(shù)據(jù)錯(cuò)誤的概率，進(jìn)行數(shù)據(jù)清洗是非常必要的，也是非常重要的，是保障數(shù)據(jù)分析正確性起到?jīng)Q定性作用[1，2]。

2 大數(shù)據(jù)的數(shù)據(jù)清洗技術(shù)及運(yùn)用

2.1 基于函數(shù)依賴的數(shù)據(jù)清洗技術(shù)

（1）建立數(shù)據(jù)庫。數(shù)據(jù)庫建立是數(shù)據(jù)清洗的重要過程，對數(shù)據(jù)的分析起到重要作用，數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行有效存儲，數(shù)據(jù)清洗過程中可以通過數(shù)據(jù)庫進(jìn)行數(shù)據(jù)清洗，對數(shù)據(jù)庫中的數(shù)據(jù)質(zhì)量，通過數(shù)據(jù)庫可以優(yōu)化數(shù)據(jù)，在數(shù)據(jù)查找中起到重要作用，對原始數(shù)據(jù)庫進(jìn)行科學(xué)有效的添加，刪除，選擇有用數(shù)據(jù)進(jìn)行分析，對一些錯(cuò)誤數(shù)據(jù)可以利用數(shù)據(jù)庫進(jìn)行刪除，提高了數(shù)據(jù)的利用效率，對提升數(shù)據(jù)清洗效果起到重要作用。（2）數(shù)據(jù)篩選。數(shù)據(jù)篩選是數(shù)據(jù)清洗，數(shù)據(jù)挖掘，數(shù)據(jù)分析中常用的手段，在海量的數(shù)據(jù)中，通過數(shù)據(jù)篩選對數(shù)據(jù)進(jìn)行分類，有助于進(jìn)行科學(xué)數(shù)據(jù)清洗，對提高數(shù)據(jù)清洗的效率，保證數(shù)據(jù)清洗的質(zhì)量都起到重要作用。數(shù)據(jù)篩選都需要利用數(shù)據(jù)庫中的字段進(jìn)行數(shù)據(jù)篩選，字段之間有一定的關(guān)聯(lián)，通過函數(shù)之間讓字段產(chǎn)生一定聯(lián)系，確定數(shù)據(jù)清洗的關(guān)聯(lián)性，完整性，科學(xué)性，對提升數(shù)據(jù)分析起到促進(jìn)作用。（3）數(shù)據(jù)查找。數(shù)據(jù)查找是數(shù)據(jù)庫的基本功能，在數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)查找非常方便，提高了數(shù)據(jù)查找的效率。在數(shù)據(jù)清洗，數(shù)據(jù)挖掘、數(shù)據(jù)分析中都涉及數(shù)據(jù)查找，數(shù)據(jù)查找對數(shù)據(jù)清洗都起到重要作用，利用數(shù)據(jù)庫字段進(jìn)行查找，提升查找效率，對數(shù)據(jù)之間的實(shí)際應(yīng)用起到重要作用。（4）數(shù)據(jù)清洗。數(shù)據(jù)庫之間利用字段之間的聯(lián)系，對提高數(shù)據(jù)清洗的效率，完成數(shù)據(jù)清洗的能力都起到重要作用，在實(shí)際數(shù)據(jù)清洗的過程中，利用數(shù)據(jù)庫之間函數(shù)之間的關(guān)系，通過字段之間的關(guān)聯(lián)，對數(shù)據(jù)清洗，修復(fù)、挖掘、分析等都起到重要作用，對提升數(shù)據(jù)清洗的效率起到重要作用[3]。

2.2 相似重復(fù)數(shù)據(jù)清洗技術(shù)

數(shù)據(jù)清洗技術(shù)在具體清洗數(shù)據(jù)的過程中，一般需要結(jié)合算法一起使用，對提高數(shù)據(jù)清洗的效率起到重要作用。基于排列合并算法是數(shù)據(jù)清洗技術(shù)中常用的算法，在數(shù)據(jù)清洗中起到重要作用?；谂帕泻喜⑺惴ㄉ婕皵?shù)據(jù)庫的知識，對字段等進(jìn)行實(shí)踐應(yīng)用，對提高數(shù)據(jù)篩選，數(shù)據(jù)查找等都起到重要作用，對數(shù)據(jù)清洗起到基本保障作用，數(shù)據(jù)清洗的效率提升，對數(shù)據(jù)分析起到重要作用，數(shù)據(jù)庫中字段之間存在一定的關(guān)聯(lián)，對其中錯(cuò)誤的數(shù)據(jù)記錄進(jìn)行科學(xué)有效的清洗起到重要作用，在數(shù)據(jù)庫中數(shù)據(jù)冗余現(xiàn)象是一種常態(tài)，數(shù)據(jù)清洗重復(fù)記錄，對提高數(shù)據(jù)分析起到重要作用。基于排列合并算法的數(shù)據(jù)清洗技術(shù)對提高數(shù)據(jù)清洗效率起到重要作用，也是符合現(xiàn)代數(shù)據(jù)清洗技術(shù)發(fā)展的需要。

2.3 不完整數(shù)據(jù)清洗技術(shù)

不完整數(shù)據(jù)清洗技術(shù)主要針對數(shù)據(jù)庫字段是空值或錯(cuò)誤字段，大數(shù)據(jù)時(shí)代，數(shù)據(jù)類型的多變性，對數(shù)據(jù)庫的數(shù)據(jù)采集，存儲都帶來了一定的挑戰(zhàn)，在實(shí)際應(yīng)用過程中，其中在數(shù)據(jù)清洗過程中涉及一些常用數(shù)據(jù)庫函數(shù)，比如求和、平均、最大、最小值等。不完整數(shù)據(jù)清洗技術(shù)對數(shù)據(jù)清洗的流程有一定轉(zhuǎn)變，但在實(shí)際清洗過程中根據(jù)需要科學(xué)選擇清洗方法結(jié)合其它數(shù)據(jù)分析技術(shù)進(jìn)行科學(xué)清洗。

2.4 不一致數(shù)據(jù)修復(fù)技術(shù)

大數(shù)據(jù)時(shí)代數(shù)據(jù)采集的多樣化，數(shù)據(jù)類型的多元化，這增加了數(shù)據(jù)錯(cuò)誤的概率，同時(shí)為數(shù)據(jù)清洗增加了難度。在數(shù)據(jù)清洗的過程中存在數(shù)據(jù)類型等不一致情況，利用不一致數(shù)據(jù)修復(fù)技術(shù)不一定對數(shù)據(jù)清洗進(jìn)行完整，起到數(shù)據(jù)清洗的效果。大數(shù)據(jù)環(huán)境下，數(shù)據(jù)源受多種因素的影響，違反完整性約束，造成大量不一致數(shù)據(jù)的產(chǎn)生。數(shù)據(jù)不一致的情況也是多樣化，必須對數(shù)據(jù)進(jìn)行篩選，對數(shù)據(jù)科學(xué)進(jìn)行歸類，為數(shù)據(jù)清洗進(jìn)行科學(xué)準(zhǔn)備。在數(shù)據(jù)清洗中，要利用不一致數(shù)據(jù)修復(fù)技術(shù)使不一致數(shù)據(jù)符合完整性約束，進(jìn)而保證數(shù)據(jù)質(zhì)量。但在數(shù)據(jù)實(shí)際清洗過程中，會出現(xiàn)多元化情況，這個(gè)數(shù)據(jù)清洗帶來一定的困難[4]。數(shù)據(jù)修復(fù)流程如：

（1）檢測數(shù)據(jù)源中的數(shù)據(jù)格式，對數(shù)據(jù)格式進(jìn)行預(yù)處理;（2）檢測預(yù)處理數(shù)據(jù)后的數(shù)據(jù)是否符合完整性，如果不符合，則要修復(fù)數(shù)據(jù)。如果在數(shù)據(jù)修復(fù)之后依然存在著與數(shù)據(jù)完整性約束不一致的情況，則要再次修復(fù)數(shù)據(jù)，直到數(shù)據(jù)符合要求;（3）數(shù)據(jù)修復(fù)完成后，將其還原成原格式，為數(shù)據(jù)錄入系統(tǒng)打下基礎(chǔ)。數(shù)據(jù)清洗是數(shù)據(jù)分析的重要過程，需要把一些有問題的數(shù)據(jù)清洗，提高數(shù)據(jù)分析的準(zhǔn)確性，也促使數(shù)據(jù)分析有意義，對促進(jìn)其它行業(yè)的發(fā)展起到重要作用。

3 結(jié)語

總之，數(shù)據(jù)清洗是數(shù)據(jù)分析中的重要環(huán)節(jié)，在大數(shù)據(jù)時(shí)代，傳統(tǒng)的數(shù)據(jù)清洗方法已經(jīng)不適合現(xiàn)代數(shù)據(jù)分析的要求，必須根據(jù)數(shù)據(jù)的轉(zhuǎn)變，結(jié)合數(shù)據(jù)挖掘等知識進(jìn)行數(shù)據(jù)清洗，提高數(shù)據(jù)清洗的效果，滿足大數(shù)據(jù)時(shí)代企業(yè)對數(shù)據(jù)清洗的要求。

參考文獻(xiàn)

[1] 鄧線平.大數(shù)據(jù)清洗的方法論考察[J].江南論壇，2018（3）：31-32.

[2] 葉鷗，張璟，李軍懷.中文數(shù)據(jù)清洗研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012（14）：121-129.

[3] 譚暉，廖振松，周小翠，賀凡.大數(shù)據(jù)的數(shù)據(jù)清洗方法研究[J].信息通信，2017（01）：238-239.

[4] 王志剛，毛亞瓊，徐越，梁永春.生態(tài)環(huán)境監(jiān)測的數(shù)據(jù)清洗研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2019（1）：94-95.