Python第19课：数据清洗之去错、去空、去重
时间 2019-02-01 下午3：30
主讲 刘培富
地点 四楼电教室
数据清洗是数据治理的关键环节，是指对获取的原始数据（也称“脏数据”）进行审查、校验、加工的过程，目的在于删除重复信息、纠正错误信息，保持数据一致性。
一般来说，数据清洗，主要是对数据进行去错、去空、去重处理。
一、去错
针对一张包含姓名、身份证号码、车牌号码的数据表，建立纠错规则如下：
1.车牌号既不包含汉字赣，且不包含汉字饶。
2.身份证号码的年份既不等于19也不等于20，身份证号码的月份大于12，身份证号码的日期大于31。
3.身份证号码位数不等于18。
4.姓名的长度小于等于1。
import cx_Oracle
conn=cx_Oracle.connect('lpf/****@//****/****')
cur=conn.cursor()
sql="select * from diandong"
cur.execute(sql)
data=cur.fetchall()
jg="数据清洗发现的问题数据："
m=0
for i in data:
b=i[2]
if b.find('饶')==-1 and b.find('赣')==-1 and b.find('弋')==-1:
print(i)
m += 1
jg += chr(10) + str(m) + "、" + i[0] + "," + i[1] + ',' + i[2] + '。原因：车牌错误'
a=i[1]
if(a.find("MA")<0):
if (a[6:8]!="19" and a[6:8]!="20") or int(a[10:12])>12 or int(a[12:14])>31:
m+=1
jg+=chr(10)+str(m)+"、"+i[0]+","+i[1]+','+i[2]+'。原因：身份证号码错误'
if len(a)!=18:
m+=1
jg+=chr(10)+str(m)+"、"+i[0]+","+i[1]+','+i[2]+'。原因：身份证号码不是18位'
if len(i[0])<=1:
m+=1
jg += chr(10) + str(m) + "、" + i[0] + "," + i[1] + ',' + i[2] + '。原因：姓名长度不足2位'
print(jg)
f=open('D:\\abc.txt','w')
f.write(jg)
f.close()
cur.close()
conn.close()
二、去空
对于关键性数据，不允许为空，对于这类数据，要查询是否存在空值。
for i in data:
if i[0] is None or i[1] is None or i[2] is None:
print(i)
if i[0]=='' or i[1]=='' or i[2]=='':
print(i)
三、去重
在一张表中，有的数据列允许重复，有的数据列则不允许重复。例如，对于一张车主信息表来说，姓名、身份证号可以重复，因为存在一人登记多辆车的情形，这种重复，不能认为是错误。但是，车牌号则不允许重复，否则就存在业务逻辑的错误。所以，针对车牌号数据列，要进行去重。
通过以下SQL语句，可以列出重复的数据：
select 字段1,字段2,count(*) from 表名 group by 字段1,字段2 having count(*) > 1
例：select id,count(*) from abc group by id having count(*)>1
返回：
id,count(*)
1,2
综上，数据清洗，既要懂技术，更要懂业务，否则无法正确制定清洗规则，导致数据清洗流于形式，达不到清洗的效果。
