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。
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。
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。
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：
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。
《Python 3 爬虫、数据清洗与可视化实战（第2版）》、《python数据可视化:基于bokeh的可视化绘图》和《Python数据科学手册》等。python数据清洗和可视化的文献有这些，可以帮助学习数据抽取、数据清洗、数据转换、数据探索等。
