[全]做数据分析必会的5个SQL数据清洗方法

做数据分析必会的5个SQL数据清洗方法大纲如图：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、selectcol_namesfromTable_Name2、altertabletableNamedropcolumncolumnName重命名列Python版：df.rename(index=row1:A,columns=col1:B)重命名列SQL版：selectcol_namesascol_name_BfromTable_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）。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、selectdistinctcol_namefromTable_Name2、selectcol_namefromTable_Namegroupbycol_name缺失值处理Python版：df.fillna(value=0)df1.combine_first(df2)缺失值处理SQL版：1、selectifnull(col_name,0)valuefromTable_Name2、selectcoalesce(col_name,col_name_A,0)asvaluefromTable_Name3、selectcasewhencol_nameisnullthen0elsecol_nameendfromTable_Name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dfcol_name=dfcol_name.str.lstrip()#2、*%d等垃圾符处理dfcol_name.replace(&#.*,regex=True,inplace=True)#3、字符串分割dfcol_name.str.split(分割符)#4、字符串拼接dfcol_name.str.cat()字符串处理SQL版：#1、空格处理selectltrim(col_name)fromTable_name#2、*%d等垃圾符处理selectregexp_replace(col_name,正则表达式)fromTable_name#3、字符串分割selectsplit(col_name,分割符)fromTable_name#4、字符串拼接selectconcat_ws(col_name,拼接符)fromTable_name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selectA.*,B.*fromTable_aAjoinTable_bBonA.id=B.idselectA.*fromTable_aAleftjoinTable_bBonA.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；selectA.*fromTable_aAunionelectB.*fromTable_bB# 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。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：dfRank=df.groupby(by=Sale_store)Sale_Num.transform(lambdax:x.rank(ascending=False)窗口分组SQL版：select*from(Select*，row_number()over(partitionbySale_storeorderbySale_Numdesc)rkfromtable_name)bwhereb.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。