不同数据源的数据之间可能会有不匹配或属性重复，所以要考虑实体识别问题和属性冗余问题。
是指从不同数据源识别出现实世界的实体，它的任务是统一不同源数据的矛盾之处。
常见形式有：同名异义，异名同义，单位不统一等。
实体识别问题就是检测和解决这些冲突。
数据冗余，比如：同一属性出现多次，同一属性命名不一致导致重复等。
冗余属性要先检测，再删除掉。冗余属性用相关性分析也能判断出来。
参考资料：
《Python数据分析和挖掘实战》张良均等
python数据分析的门槛较低，如果是python零基础开始学，学习的步骤大概是python基础、数据采集、数据处理、数据分析、数据可视化。首先学习一点python基础的知识，Python语言基础，函数，文件操作，面向对象，异常处理，模块和包，Linux系统使用，Mysql数据库等；
其次就可以学习一些基本的爬虫，进行数据采集，当然也有很多爬虫工具，直接使用即可。
然后就可以学习数据分析方面知识，主要是学习pandas、numpy等等；
再然后就要学习数据可视化来向别人展现数据，常用matplotlib实现，主要包括一些基本的统计图的绘制，比如条形图，柱状图，散点图。还有一些进阶绘图，比如分位数图，相关系数图等等。还需要掌握3D绘图可视化。
