大数据预处理技术/朱晓姝

第1章 数据预处理概述　1

1.1　数据预处理的背景与目的　1

1.1.1　数据预处理的背景：数据质量　1

1.1.2　数据预处理的目的　3

1.2　数据预处理的流程　3

1.2.1　数据清理　3

1.2.2　数据集成　5

1.2.3　数据变换　6

1.2.4　数据归约　8

1.2.5　数据预处理的注意事项　12

1.3　数据预处理的工具　12

第2章　Kettle工具的初步使用　14

2.1　Kettle的安装　14

2.1.1　Java的安装　14

2.1.2　Kettle的下载安装与Spoon的启动　19

2.2　Kettle的使用　19

2.2.1　转换的基本概念　19

2.2.2　**个转换案例　21

第3章　基于Kettle的数据导入与导出　42

3.1　基于文件的数据导入与导出　42

3.1.1　文本文件的导入与导出　42

3.1.2　文本文件的导入与导出案例　43

3.1.3　Excel文件的导入与导出　49

3.1.4　Excel文件的导入与导出案例　50

3.1.5　XML文件的导入与导出　57

3.1.6　XML文件的导入与导出案例　57

3.1.7　JSON文件的导入与导出　62

3.1.8　JSON文件的导入与导出案例　62

3.2　基于数据库的数据导入与导出　66

3.2.1　关系型数据库的数据导入与导出　67

3.2.2　MySQL数据库的数据导入与导出案例　69

3.3　基于Web的数据导入与导出　75

3.3.1　HTML数据的导入与导出　76

3.3.2　HTML数据的导入与导出案例　76

3.3.3　基于HTTP GET请求的导入与导出　80

3.3.4　基于HTTP GET请求的导入与导出案例　80

3.4　基于CDC变更数据的导入与导出　83

3.4.1　基于源数据的CDC　83

3.4.2　基于源数据的CDC案例　84

3.4.3　基于触发器的CDC　95

3.4.4　基于触发器的CDC案例　95

3.4.5　基于快照的CDC　105

3.4.6　基于快照的CDC案例　105

3.4.7　基于日志的CDC　109

3.4.8　基于日志的CDC案例　109

第4章　数据清理　112

4.1　数据清理概述　112

4.1.1　常用的数据清理步骤　112

4.1.2　字符串清理　113

4.1.3　字段清理　118

4.1.4　使用参照表清理数据　125

4.1.5　数据校验　130

4.2　数据排重　134

4.2.1　如何识别重复数据　135

4.2.2　去除完全重复数据　135

4.2.3　去除不完全重复数据　136

4.3　使用脚本组件进行数据清理　140

4.3.1　使用JavaScript代码组件清理数据　140

4.3.2　使用正则表达式组件清理数据　142

4.3.3　使用其他脚本组件清理数据　145

第5章　Kettle作业设计　150

5.1　作业的概念及组成　151

5.1.1　作业项　151

5.1.2　跳　152

5.1.3　注释　152

5.2　作业的执行方式　152

5.2.1　回溯　152

5.2.2　多路径和回溯　153

5.2.3　并行执行　153

5.3　作业的创建及常用作业项　154

5.3.1　创建作业　155

5.3.2　“START”作业项　155

5.3.3　“作业”作业项　156

5.3.4　“转换”作业项　158

5.4　变量　158

5.4.1　定义变量　159

5.4.2　使用变量　160

5.5　监控　161

5.5.1　日志　161

5.5.2　邮件通知　162

5.6　命令行启动　163

5.7　作业实验　165

第6章　构建数据仓库　193

6.1　构建维度表　193

6.1.1　管理各种键　193

6.1.2　维度表的加载　197

6.1.3　缓慢变化维度　198

6.2　构建事实表　203

6.2.1　批量加载　203

6.2.2　查找维度　206

6.2.3　事实表的处理　207

第7章　基于Python的数据导入与导出　216

7.1　Pandas　216

7.1.1　Series　216

7.1.2　DataFrame　219

7.2　文本文件的导入与导出　220

7.2.1　导入CSV文件　221

7.2.2　导出CSV文件　223

7.2.3　JSON格式数据的导入与导出　224

7.3　二进制文件的导入与导出　225

7.4　数据库的导入与导出　226

7.4.1　关系型数据库的导入与导出　226

7.4.2　非关系型数据库的导入与导出　227

第8章　基于Python的数据整理　231

8.1　合并多个数据集　231

8.1.1　使用key进行DataFrame合并　231

8.1.2　使用index进行DataFrame合并　234

8.1.3　沿着横轴或纵轴串接　235

8.2　数据重塑　237

8.2.1　多级索引数据的重塑　238

8.2.2　应用pivot方法重塑数据　239

8.3　数据转换　242

8.3.1　移除重复数据　242

8.3.2　利用函数或映射进行数据转换　243

8.3.3　值转换　243

8.3.4　重命名轴索引　244

8.3.5　离散化和面元划分　245

8.3.6　检测或过滤异常值　247

8.3.7　排列和随机采样　248

8.3.8　计算指标/哑变量　249

参考文献　253