日常工作中，分析師會接到一些專項分析的需求，首先會搜索腦中的分析體系，根據業務需求構建相應的分析模型（不只是機器學習模型），根據模型填充相應維度表，這些維度特征表能夠被使用的前提是假設已經清洗干凈了。

但真正的原始表是混亂且包含了很多無用的冗余特征，所以能夠根據原始數據清洗出相對干凈的特征表就很重要。

前兩天在Towards Data Science上看到一篇文章，講的是用Pandas做數據清洗，作者將常用的清洗邏輯封裝成了一個個的清洗函數。

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

而公司的業務數據一般存儲在數據倉庫里面，數據量很大，這時候用Pandas處理是不大方便的，更多時候用的是HiveSQL和MySql做處理。

基于此，我拓展了部分內容，寫了一個常用數據清洗的SQL對比版，腳本很簡單，重點是這些清洗場景和邏輯，大綱如圖：

刪除指定列、重命名列

場景：

多數情況并不是底表的所有特征（列）都對分析有用，這個時候就只需要抽取部分列，對于不用的那些列，可以刪除。

重命名列可以避免有些列的命名過于冗長（比如Case When 語句），且有時候會根據不同的業務指標需求來命名。

刪除列Python版： 
df.drop(col_names, axis=1, inplace=True) 
 
刪除列SQL版： 
1、select col_names from Table_Name 
 
2、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 

因為一般情況下是沒有刪除的權限（可以構建臨時表），反向思考，刪除的另一個邏輯是選定指定列（Select）。

重復值、缺失值處理

場景：比如某網站今天來了1000個人訪問，但一個人一天中可以訪問多次，那數據庫中會記錄用戶訪問的多條記錄，而這時候如果想要找到今天訪問這個網站的1000個人的ID并根據此做用戶調研，需要去掉重復值給業務方去回訪。

缺失值：NULL做運算邏輯時，返回的結果還是NULL，這可能就會出現一些腳本運行正確，但結果不對的BUG，此時需要將NULL值填充為指定值。

重復值處理Python版： 
df.drop_duplicates() 
 
重復值處理SQL版： 
1、select distinct col_name from Table_Name 
 
2、select col_name from Table_Name group bycol_name 
 
缺失值處理Python版： 
df.fillna(value = 0) 
 
df1.combine_first(df2) 
 
缺失值處理SQL版： 
1、select ifnull(col_name,0) value from Table_Name 
 
2、select coalesce(col_name,col_name_A,0) as value from Table_Name 
 
3、select case when col_name is null then 0 else col_name end from Table_Name 

替換字符串空格、清洗*%@等垃圾字符、字符串拼接、分隔等字符串處理

場景：理解用戶行為的重要一項是去假設用戶的心理，這會用到用戶的反饋意見或一些用研的文本數據，這些文本數據一般會以字符串的形式存儲在數據庫中，但用戶反饋的這些文本一般都會很亂，所以需要從這些臟亂的字符串中提取有用信息，就會需要用到文字符串處理函數。

字符串處理Python版： 
## 1、空格處理 
df[col_name] = df[col_name].str.lstrip()  
 
## 2、*%d等垃圾符處理 
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() 
 
字符串處理SQL版： 
## 1、空格處理 
select ltrim(col_name) from Table_name  
 
## 2、*%d等垃圾符處理 
select regexp_replace(col_name,正則表達式) 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  

合并處理

場景：有時候你需要的特征存儲在不同的表里，為便于清洗理解和操作，需要按照某些字段對這些表的數據進行合并組合成一張新的表，這樣就會用到連接等方法。

合并處理Python版： 
左右合并 
1、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) 
2、pd.concat([df1,df2]) 
上下合并 
df1.append(df2, ignore_index=True, sort=False) 
合并處理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：對兩個結果集進行并集操作，不包括重復行，同時進行默認規則的排序； 
## Union All：對兩個結果集進行并集操作，包括重復行，不進行排序； 
select A.* from Table_a A  
union 
elect B.* from Table_b B  
 
# Union 因為會將各查詢子集的記錄做比較，故比起Union All ，通常速度都會慢上許多。一般來說，如果使用Union All能滿足要求的話，務必使用Union All。 

窗口函數的分組排序

場景：假如現在你是某寶的分析師，要分析今年不同店的不同品類銷售量情況，需要找到那些銷量較好的品類，并在第二年中加大曝光，這個時候你就需要將不同店里不同品類進行分組，并且按銷量進行排序，以便查找到每家店銷售較好的品類。

Demo數據如上，一共a,b,c三家店鋪，賣了不同品類商品，銷量對應如上，要找到每家店賣的最多的商品。

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

可以很清晰的看到，a店鋪賣的最火的是蔬菜，c店鋪賣的最火的是雞肉，b店鋪？

嗯，b店鋪很不錯，賣了888份寶器狗。

總結，上面的內容核心是掌握這些數據清洗的應用場景，這些場景幾乎可以涵蓋90%的數據分析前數據清洗的內容。而對于分析模型來說，SQL和Python都是工具，如果熟悉SQL，是能夠更快速、方便的將特征清洗用SQL實現。