3000字！5大SQL数据清洗方法！

日常工作中，分析师会接到一些专项分析的需求，首先会搜索脑中的分析体悉，根据业务需求构建相应的分析模型（不只是机器学习模型），根据模型填充相应维度表，这些维度特征表能够被使用的前提是假设已经清洗干净了。

但真正的原始表是混乱且包含了很多无用的冗余特征，所以能够根据原始数据清洗出相对干净的特征表就很重要。

公司的业务数据一般存储在数据仓库里面，数据量很大，主要用的是HiveSQL和MySql做处理。

基于此，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_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_Name

2、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_Name

2、select coalesce(col_name,col_name_A,0) as value from Table_Name

3、select casewhen col_name is null then0 elsecol_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.id

select 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

union

select 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 whereb.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。