3000字!5大SQL数据清洗方法!

茄肥猫的窝 2020-10-29

日常工作中,分析师会接到一些专项分析的需求,首先会搜索脑中的分析体悉,根据业务需求构建相应的分析模型(不只是机器学习模型),根据模型填充相应维度表,这些维度特征表能够被使用的前提是假设已经清洗干净了。

但真正的原始表是混乱且包含了很多无用的冗余特征,所以能够根据原始数据清洗出相对干净的特征表就很重要。

前两天在Towards Data Science上看到一篇文章,讲的是用Pandas做数据清洗,作者将常用的清洗逻辑封装成了一个个的清洗函数。

https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38

而公司的业务数据一般存储在数据仓库里面,数据量很大,这时候用Pandas处理是不大方便的,更多时候用的是HiveSQL和MySql做处理。

基于此,我拓展了部分内容,写了一个常用数据清洗的SQL对比版,脚本很简单,重点是这些清洗场景和逻辑,大纲如图:

3000字!5大SQL数据清洗方法!

01 删除指定列、重命名列

场景:

多数情况并不是底表的所有特征(列)都对分析有用,这个时候就只需要抽取部分列,对于不用的那些列,可以删除。

重命名列可以避免有些列的命名过于冗长(比如Case When 语句),且有时候会根据不同的业务指标需求来命名。

删除列Python版:

df.drop(col_names, axis=1, inplace=True) 

删除列SQL版:

select col_names from Table_Name 

alter table tableName drop column columnName  

重命名列Python版:

df.rename(index={'row1':'A'},columns ={'col1':'B'}) 

重命名列SQL版:

select col_names as col_name_B from Table_Name 

因为一般情况下是没有删除的权限(可以构建临时表),反向思考,删除的另一个逻辑是选定指定列(Select)。

02 重复值、缺失值处理

场景:比如某网站今天来了1000个人访问,但一个人一天中可以访问多次,那数据库中会记录用户访问的多条记录,而这时候如果想要找到今天访问这个网站的1000个人的ID并根据此做用户调研,需要去掉重复值给业务方去回访。

缺失值:NULL做运算逻辑时,返回的结果还是NULL,这可能就会出现一些脚本运行正确,但结果不对的BUG,此时需要将NULL值填充为指定值。

重复值处理Python版:

df.drop_duplicates() 

重复值处理SQL版:

select distinct col_name from Table_Name 

select col_name from Table_Name group bycol_name  

缺失值处理Python版:

df.fillna(value = 0)df1.combine_first(df2) 

缺失值处理SQL版:

select ifnull(col_name,0) value from Table_Name  


select coalesce(col_name,col_name_A,0) as value from Table_Name  


select case when col_name is null then 0 else col_name end from Table_Name  

03 替换字符串空格、清洗*%@等垃圾字符、字符串拼接、分隔等字符串处理

场景:理解用户行为的重要一项是去假设用户的心理,这会用到用户的反馈意见或一些用研的文本数据,这些文本数据一般会以字符串的形式存储在数据库中,但用户反馈的这些文本一般都会很乱,所以需要从这些脏乱的字符串中提取有用信息,就会需要用到文字符串处理函数。

字符串处理Python版:

## 1、空格处理 
 
df[col_name] = df[col_name].str.lstrip() 
 
## 2、*%d等垃圾符处理 
 
df[col_name].replace(' &#.*', '', regex=True, inplace=True 
 
)## 3、字符串分割 
 
df[col_name].str.split('分割符') 
 
## 4、字符串拼接 
 

df[col_name].str.cat()  

字符串处理SQL版:

## 1、空格处理 
 
select ltrim(col_name) from Table_name 
 
## 2、*%d等垃圾符处理 
 
select regexp_replace(col_name,正则表达式) from Table_name 
 
## 3、字符串分割 
 
select split(col_name,'分割符') from Table_name 
 
## 4、字符串拼接 
 

select concat_ws(col_name,'拼接符') from Table_name  

04 合并处理

场景:有时候你需要的特征存储在不同的表里,为便于清洗理解和操作,需要按照某些字段对这些表的数据进行合并组合成一张新的表,这样就会用到连接等方法。

合并处理Python版:

左右合并

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=True, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)  


pd.concat([df1,df2])上下合并df1.append(df2, ignore_index=True, sort=False)  

合并处理SQL版:

左右合并

select A.*,B.* from Table_a A join Table_b B on A.id = B.id  


select A.* from Table_a A left join Table_b B on A.id = B.id  

上下合并

## Union:对两个结果集进行并集操作,不包括重复行,同时进行默认规则的排序;  


##Union All:对两个结果集进行并集操作,包括重复行,不进行排序;  


select A.* from Table_a A  


union  


select B.* from Table_b B  


# Union 因为会将各查询子集的记录做比较,故比起Union All ,通常速度都会慢上许多。一般来说,如果使用Union All能满足要求的话,务必使用Union All。  

05、窗口函数的分组排序

场景:假如现在你是某宝的分析师,要分析今年不同店的不同品类销售量情况,需要找到那些销量较好的品类,并在第二年中加大曝光,这个时候你就需要将不同店里不同品类进行分组,并且按销量进行排序,以便查找到每家店销售较好的品类。

3000字!5大SQL数据清洗方法!

Demo数据如上,一共a,b,c三家店铺,卖了不同品类商品,销量对应如上,要找到每家店卖的最多的商品。

窗口分组Python版:

df['Rank'] = df.groupby(by=['Sale_store'])['Sale_Num'].transform(lambda x: x.rank(ascending=False)) 

窗口分组SQL版:

select  
  *  
from 
  ( 
  Select  
    *, 
    row_number() over(partition by Sale_store order by Sale_Num desc) rk 
  from  
    table_name 
  ) b where b.rk = 1 

3000字!5大SQL数据清洗方法!

可以很清晰的看到,a店铺卖的最火的是蔬菜,c店铺卖的最火的是鸡肉,b店铺?

嗯,b店铺很不错,卖了888份宝器狗。

相关推荐