前提概要

在数据爆炸的时代，我们每时每刻都在产生数据；怎样在海量数据中提炼出有价值的东西，这就需要我们有一双火眼金晴；对于一个数据工作者来说，那就是对数据进行清洗与集成。
具体的分为三步骤：

• 数据抽取、转换与装载
• 数据清洗
• 数据集成
  下面我们将从这三个方面进行分别讲解。

数据抽取、转换与装载

面向数据服务（或OLAP）应用的数据库，一般不运行特别复杂的数据分析任务。为了对数据进行分析，我们从这些数据库里抽取、转换和装载（Extract, Transform and Load, ETL）数据到数据仓库中，进而在它之上运行复杂的分析负载，包括OLAP分析和数据挖掘，从数据里挖掘模式和知识，如下图：

典型的数据仓库架构

数据清洗

什么是数据清洗？

数据清洗是一种清除数据里面的错误，去掉重复数据的技术。它可以集成在ETL过程中，在从数据源建立数据仓库的过程中发挥作用，也可以直接运行在某个数据库上，数据经过清洗以后，最后还是保存到原来的数据库里。

数据清洗的意义

基于准确的数据（高质量）进行分析，才有可能得到可信的分析结果，基于这些结果才有可能做出正确的决策，否则，在不准确的数据上进行分析，有可能导致错误的认识和决策。据估计，数据中的异常（Anomaly)和杂质(Impurity)，一般占到数据总量的5%左右。

数据质量的重要性

数据清洗往往和数据集成联系在一起，当从多个数据源进行数据集成时，通过数据清洗技术、剔除数据中的错误，以便获得高质量的数据。

数据异常的不同类型

数据清洗的目的是剔除数据中的异常。数据中的异常可分为三类：语法类异常（Syntactical）,语义类异常（Semantic）,覆盖类异常(Coverage Anomaly)

• 语法类异常
  指的是表示实体的具体的数据值和格式的错误。该类异常具体可分为三种：

1. 词法错误（Lexical Error）
   指的是实际数据的结构和指定的结构不一致。
   比如：在一张人员表中，每个实体有四个属性，分别是姓名、年龄、性别和身高，而某些记录只有三个属性，这就是语法异常。
2. 值域格式错误(Domain Format Error)
   指的是实体的某个属性的取值不符合预期的值域中的某种格式。值域是数据的所有可能取值构成的集合。
   比如：姓名是字符串类型，在名和姓之间有一个“，”，那么“John，Smith”是正确的值，“John Smith”则不是正确的值。
3. 不规则的取值（Irregularity）
   指的是对取值、单位和简称的使用不统一，不规范。
   比如：员工的工资字段有的用“元”作为单位，有的用“万元”作为单位。

• 语义类异常
  指数据不能全面、无重复地表示客观世界的实体，该类异常具体可分为四种：

1. 违反完整性约束规则（Integrity Constraint Violation）。
   指一个元组或几个元组不符合（实体完整性、参照完整性和用户自定义完整性）完整性约束规则。
   比如：我们规定中工工资字段必须大于0，如果某个员工的工资小于0，就违反了完整性约束规则。
2. 数据中出现矛盾（Contradiction）。
   指的是一个元组的各个属性取值，或者不同元组的各个属性的取值违反这些取值的依赖关系。
   比如：我们的账单表里的账单金额为商品总金额减去折扣金额，但在数据库某个账单的实付金额不等于商品总金额减去折扣金额，这就矛盾了。
3. 数据的重复值（Duplicate）。
   指的是两个或者两个以上的元组表示同一个实体。
4. 无效的元组（Invalid Tuple）。
   指的是某些元组没有表示客观世界的有效实体。
   比如：员工表中有一个员工，名称叫“王超”，但是公司里并没有这个人。

• 覆盖类异常

1. 值的缺失（Missing Value）。指的是在进行数据采集时就没有采集到相应的数据。
2. 元组的缺失(Missing Tuple）。指的是在客观世界中，存在某些实体，但是并没有在数据库通过元组表示出来。

数据质量

数据质量是一个比较宽泛的概念，它包含很多方面；关于数据质量的评价标准，可以组织成一个层次结构，上层数据质量标准的得分是其子标准得分的一个综合加权得分。

1. 正确性。指数据集里所有正确的取值相对于所有取值的比例
   • 完整性（Integrity），可以再次分为：完备性和有效性；
   • 一致性（Consistency），可以再次分为：模式符合性和统一性；
   • 密度（Density）,指的是所有元组里，各个属性上的缺失值占有应该存在的所有属性上的取值比例。
2. 唯一性。是指代表相同实体的重复元组占数据集里所有元组的比例。

数据清洗的任务和过程

数据清洗是剔除数据里的异常，使得数据集成为现实世界的准确、没有重复的表示过程。
数据清选的过程可以分为四个主要步骤：

• 1. 数据审计；
• 2. 定义数据清洗工作流；
• 3. 执行数据清洗工作流；
• 4. 后续处理和控制；

数据清洗的具体方法

• 1. 数据解析；
• 2. 数据转换；
• 3. 实施完整性约束条件；
• 4. 重复数据清除；
• 5. 一些统计方法；

数据集成

什么是数据集成？

在很多应用场合，人们需要整合不同来源的数据，才能获取有效的分析结果，否则，不完整的数据将导致分析结果不准确。
数据集成是指把数据从多个数据源整合在一起，提供一个观察这些数据的统一视图的过程。

数据集成需要解决的问题

数据集成要解决的首要问题是各个数据源之间的异构性(Heterogeneity)即差异性。
数据源之间的异构性体现在以下各方面：

• 数据管理系统的异构性；
• 通信协议异构性；
• 数据模式的异构性；
• 数据类型的异构性；
• 取值的异构性；
• 语义异构性；

数据模式的异构性

数据集成的模式

我们有三种基本的策略进行数据的集成，分别是联邦数据库（Federated Database）、数据仓库（Data Warehousing）、中介者（Mediation）。

1. 联邦数据库模式

联邦数据库是最简单的数据集成模式，它需要在每对数据源之间创建映射(Mapping)和转换(Transform)的软件，该软件称为包装器(Wrapper)。当数据源X需要和数据源Y进行通信和数据集成时，才需要建立X和Y之间的包装器。

联邦数据库

2. 数据仓库模式

数据仓库是最通用的一种数据集成模式，在数据仓库模式中，数据从各个数据源拷贝过来，经过转换，然后存储到一个目标数据库中。如下图：

数据仓库

ETL：是 Extract, Transfrom, Load的缩写，ETL过程在数据仓库之外完成，数据仓库负责存储数据，以备查询。

• 数据仓库模式下，数据集成过程即是一个ETL过程，它需要解决各个数据源之间的异构性，不一致性。
• 数据仓库模式下，同样的数据被复制了两份：一份在数据源里；一份在数据仓库里。如何及时更新数据仓库里的数据将是需要我考虑的问题（全量更新、增量式更新）。

3. 中介者模式

数据集成的中介者模式，如下图：

中介者模式

• 中介者（Mediator)扮演的是数据源的虚拟视图（Virtual View)的角色，中介者本身不保存作保数据，数据仍然保存在数据源中。中介者维护一个虚拟的数据模式（Virtual Schema),它把各个数据源的数据模式组合起来。
• 数据映射和传输在查询时刻（Query Time）才真正发生。
• 当用户提交查询时，查询被转换成对各个数据源的若干查询。这些查询分别发送到各个数据源，由各个数据源执行这些查询并返回结果。各个数据源返回的结果经合并（Merge)后，返回给最终用户。