数据质量及认知

认知数据

当我们拿到一个数据集，我们应该如何去认知这个数据集。正确的步骤应该是数据源质量 -> 数据类型 -> 数据集质量 -> 平均水平 -> 数据分布 -> 量变关系 -> 多维交叉。

仔细审核数据源的质量

经验教训告诉我们，在拿到数据集后，花些时间去审核数据源的质量都不为过。数据源，分为两部分，一部分是数据库中的表，一部分是取数代码，也就是 sql代码。对于本次电商项目，那么数据源的表就是 DDS_EMALL_ALIPAY_* 的20张表，而取数代码，就是生产数据进入数仓时的逻辑（全部表做了拉链，但是少部分表，真正用拉链表做了状态更新)

需要明确的几个问题

表中的字段有没有在近期改动？做了什么样的改动？

就拿爬虫数据来说，爬虫的数据的量级可能变化（代码或者网页变化导致）

表中的字段是不是名副其实的字段？
该表谁负责维护？有没有定期维护？

该表是否是中间表？他的字段内容是从哪里来的？

知道数据源的来源是很重要的。搞清楚数据流向有利于更有把握阐述问题。

该表是以什么样的频率刷新数据？

尤其警惕数仓的中间表

数仓的表大多是其他表合成而来的，这些表的数据质量往往难以保证
数仓某些表可能是某个短期需求的产物，做完之后就没有人维护了
中间表往往存在多层的引用，即某张中间表某个字段的来源来自于另一张中间表，甚至交叉引用，这样字段的质量更难保证

取数代码常见错误

限制条件错误。限制两件的错误往往出现在多次使用的代码中。这句话的具体场景，是某些时候，我们使用的是高频使用的代码，这些代码根据不同的业务方需求，去临时的改一些限制条件，而这些限制条件我那个网是相互关联的，改了一个没改另一个，导致取得的数据不准确。
连接表错误。跨表查询时，没有清晰的思路，一会left，一会inner。
取出多余的字段。第一导致运算负荷增加，第二增加其他成员的学习成本。
计算方式出错。

提升数据集的质量

对于数据集的质量，往往就需要做一些逐步做一些东西。处理数据集中的垃圾（特殊符号，对于模型，中文字就是特殊字符），处理空值，处理异常值，处理异常字段，统一数据类型和单位。而做一些就相当于在看照片前，将照片表面上的灰层去掉，将缺失的像素添上，将马赛克修掉。

清理垃圾数据

字符编码

常见的 utf-8，gbk，gb2312。最常见的还有 utf-8 with bom 和 utf-8 without bom，这中间是有区别的。oracle导出是 utf-8 with bom, 需要转成 without

处理空值的技巧

很多时候我们是直接删除空值，但是如果空值的行数超过1%，我们就需要去思考为什么是空值。

其实我们遇到的大多数空值问题是这样的场景。什么什么删选条件对某个id 做聚合。

异常值和异常字段的处理

异常值往往需要我们好好的查看，对数据进行排序后，发现某些数值特别夸张，或者文本特别长。对于数值变量，是有数值型变量异常值的判断方法。

统一数据类型和单位

多个日期字段统一为 date 或者 timestrip。等等等还有一些量级，比如说数据单位是什么，不要有的是元，有的是万元。

必要的描述统计分析

描述统计的内容才是数据认知的核心技能。描述统计笼统说就是包含了平均数，方差，标准差，最大最小值，四分位数，峰度，偏度等一系列统计量。描述统计的过程就是让你快速的从一堆数据中抽象出信息的过程。

统计指标

中位数能够避免数据的平均数受到异常值的影响众数真正的价值，我觉得并不是用在数值型的数据中，而是用在类别型的数据中

数据的稳定性

标准差数值的大小，衡量了数据序列的波动情况，即稳定性。我认为任何风险衡量的模型，其本质都离不开衡量波动性，即方差与标准差。一个数据的波动性越大，说明它所涵盖的信息量越大，信息量越大，不可知的因素就一定会更多，因此风险会更大。

衡量两个数据序列间相互波动的情况是有方法的，我们称其为协方差。假设有A和B两组数据，数字个数相同，AB的协方差就是A中的数值与A均值的差乘以B中的数值与B的均值的差，再除以A组数据中数字的个数。

数据分布

五数

深入认知数据的分布特征

频率分布图实在是观察数据分布的第一神器。画出两个（一个是分箱上的柱状图，一个是累计分布的折线图）

chenb