关于根据大数据对非正常企业的判断小结

一、题目:

数据组成

增值税发票数据,文件名zzsfp

发票对应货物明细数据,文件名zzsfp_hwmx

企业信息,文件名nsrxx

 数据字段说明

zzsfp

字段名称

字段含义

数据类型

备注

fp_nid

发票id

String

发票唯一标识

xf_id

销方识别号

String

企业唯一身份标识

gf_id

购方识别号

String

企业唯一身份标识

je

金额

Double

 

se

税额

Double

 

jshj

价税合计

Double

 

kpyf

开票月份

String

 

kprq

开票日期

String

 

zfbz

作废标志

String

‘Y’代表作废

zzsfp表内容($ less zzsfp

 

zzsfp_hwmx

字段名称

字段含义

数据类型

备注

fp_nid

发票id

String

发票唯一标识

date_key

开票月份

String

 

hwmc

货物名称

String

 

ggxh

规格型号

String

 

dw

单位

String

 

sl

数量

Double

 

dj

单价

Double

 

je

金额

Double

 

se

税额

Double

 

spbm

商品编码

String

 

zzsfp_hwmx表内容($ less zzsfp_hwmx)

 

nsrxx

字段名称

字段含义

数据类型

备注

hydm

行业代码

String

 

nsr_id

纳税人id

String

企业唯一身份标识

djzclx_dm

登记注册类型代码

String

网上可查阅相关代码含义

kydjrq

开业登记日期

String

 

xgrq

修改日期

String

给企业打标签的时间

label

标签

String

‘0’代表正常企业

‘1’代表问题企业

nsrxx表内容($ less nsrxx)

 

 关联数据的必要说明

(1) zzsfp表可通过fp_nid进行关联

(2) zzsfp表可通过xf_id或者gf_idnsrxx中的nsr_id进行关联,分离出销项发票表和进项发票表

 

最终给出的数据情况

企业总数:33,829

非正常企业总数:318

二、第一天解题思路

首先我实在是上课的时候没有注意听到老师说的怎样算是非正常企业,所以下手就很难就想了半天。

1、首先对zzsfp_hwmx表利用MapReduce进行操作,我通过发票id把相同的金额进行叠加统计,但是这个表里有很多垃圾数据,比如说这个表有十个属性列但是数据里有超过10列的数据,还有些是金额属性列上对应的值不是数字类型,因为我没对zzsfp_hwmx表进行清洗。

2、再然后我利用上面得到的叠加金额后的文件和zzsfp文件进行连接,用得是之前学习的MapReduce实验五-Map端join。

得出发票id,叠加金额,销方识别号,购方识别号,金额,税额六个属性的表。

 

 然后把叠加金额和金额做差取绝对值进行排序

 

 很明显有很多的问题。

1、zzsfp里有很多重复的数据没有清洗

2、zzsfp里有些识别号在nsrxx表里找不到

 

posted @ 2020-11-27 20:58  晨起  阅读(244)  评论(0编辑  收藏  举报