aryson ms sql_数据治理：SQL数据清洗十八般武艺

在Towards Data Science上看过一篇文章，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：

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：1、select col_names from Table_Name2、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：1、select distinct col_name from Table_Name2、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：1、select ifnull(col_name,0) value from Table_Name2、select coalesce(col_name,col_name_A,0) as value from Table_Name3、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)合并处理SQL版：左右合并select A.*,B.* from Table_a A join Table_b B on A.id = B.idselect 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 unionselect 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。 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

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。

总结，上面的内容核心是掌握这些数据清洗的应用场景，这些场景几乎可以涵盖90%的数据分析前数据清洗的内容。而对于分析模型来说，SQL和Python都是工具，如果熟悉SQL，是能够更快速、方便的将特征清洗用SQL实现。