大數(shù)據(jù)預處理技術

第1章 數(shù)據(jù)預處理概述　1
1．1　數(shù)據(jù)預處理的背景與目的　1
1．1．1　數(shù)據(jù)預處理的背景：數(shù)據(jù)質量　1
1．1．2　數(shù)據(jù)預處理的目的　3
1．2　數(shù)據(jù)預處理的流程　3
1．2．1　數(shù)據(jù)清理　3
1．2．2　數(shù)據(jù)集成　5
1．2．3　數(shù)據(jù)變換　6
1．2．4　數(shù)據(jù)歸約　8
1．2．5　數(shù)據(jù)預處理的注意事項　12
1．3　數(shù)據(jù)預處理的工具　12
第2章　Kettle工具的初步使用　14
2．1　Kettle的安裝　14
2．1．1　Java的安裝　14
2．1．2　Kettle的下載安裝與Spoon的啟動　19
2．2　Kettle的使用　19
2．2．1　轉換的基本概念　19
2．2．2　第一個轉換案例　21
第3章　基于Kettle的數(shù)據(jù)導入與導出　42
3．1　基于文件的數(shù)據(jù)導入與導出　42
3．1．1　文本文件的導入與導出　42
3．1．2　文本文件的導入與導出案例　43
3．1．3　Excel文件的導入與導出　49
3．1．4　Excel文件的導入與導出案例　50
3．1．5　XML文件的導入與導出　57
3．1．6　XML文件的導入與導出案例　57
3．1．7　JSON文件的導入與導出　62
3．1．8　JSON文件的導入與導出案例　62
3．2　基于數(shù)據(jù)庫的數(shù)據(jù)導入與導出　66
3．2．1　關系型數(shù)據(jù)庫的數(shù)據(jù)導入與導出　67
3．2．2　MySQL數(shù)據(jù)庫的數(shù)據(jù)導入與導出案例　69
3．3　基于Web的數(shù)據(jù)導入與導出　75
3．3．1　HTML數(shù)據(jù)的導入與導出　76
3．3．2　HTML數(shù)據(jù)的導入與導出案例　76
3．3．3　基于HTTP GET請求的導入與導出　80
3．3．4　基于HTTP GET請求的導入與導出案例　80
3．4　基于CDC變更數(shù)據(jù)的導入與導出　83
3．4．1　基于源數(shù)據(jù)的CDC　83
3．4．2　基于源數(shù)據(jù)的CDC案例　84
3．4．3　基于觸發(fā)器的CDC　95
3．4．4　基于觸發(fā)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　數(shù)據(jù)清理　112
4．1　數(shù)據(jù)清理概述　112
4．1．1　常用的數(shù)據(jù)清理步驟　112
4．1．2　字符串清理　113
4．1．3　字段清理　118
4．1．4　使用參照表清理數(shù)據(jù)　125
4．1．5　數(shù)據(jù)校驗　130
4．2　數(shù)據(jù)排重　134
4．2．1　如何識別重復數(shù)據(jù)　135
4．2．2　去除完全重復數(shù)據(jù)　135
4．2．3　去除不完全重復數(shù)據(jù)　136
4．3　使用腳本組件進行數(shù)據(jù)清理　140
4．3．1　使用JavaScript代碼組件清理數(shù)據(jù)　140
4．3．2　使用正則表達式組件清理數(shù)據(jù)　142
4．3．3　使用其他腳本組件清理數(shù)據(jù)　145
第5章　Kettle作業(yè)設計　150
5．1　作業(yè)的概念及組成　151
5．1．1　作業(yè)項　151
5．1．2　跳　152
5．1．3　注釋　152
5．2　作業(yè)的執(zhí)行方式　152
5．2．1　回溯　152
5．2．2　多路徑和回溯　153
5．2．3　并行執(zhí)行　153
5．3　作業(yè)的創(chuàng)建及常用作業(yè)項　154
5．3．1　創(chuàng)建作業(yè)　155
5．3．2　“START”作業(yè)項　155
5．3．3　“作業(yè)”作業(yè)項　156
5．3．4　“轉換”作業(yè)項　158
5．4　變量　158
5．4．1　定義變量　159
5．4．2　使用變量　160
5．5　監(jiān)控　161
5．5．1　日志　161
5．5．2　郵件通知　162
5．6　命令行啟動　163
5．7　作業(yè)實驗　165
第6章　構建數(shù)據(jù)倉庫　193
6．1　構建維度表　193
6．1．1　管理各種鍵　193
6．1．2　維度表的加載　197
6．1．3　緩慢變化維度　198
6．2　構建事實表　203
6．2．1　批量加載　203
6．2．2　查找維度　206
6．2．3　事實表的處理　207
第7章　基于Python的數(shù)據(jù)導入與導出　216
7．1　Pandas　216
7．1．1　Series　216
7．1．2　DataFrame　219
7．2　文本文件的導入與導出　220
7．2．1　導入CSV文件　221
7．2．2　導出CSV文件　223
7．2．3　JSON格式數(shù)據(jù)的導入與導出　224
7．3　二進制文件的導入與導出　225
7．4　數(shù)據(jù)庫的導入與導出　226
7．4．1　關系型數(shù)據(jù)庫的導入與導出　226
7．4．2　非關系型數(shù)據(jù)庫的導入與導出　227
第8章　基于Python的數(shù)據(jù)整理　231
8．1　合并多個數(shù)據(jù)集　231
8．1．1　使用key進行DataFrame合并　231
8．1．2　使用index進行DataFrame合并　234
8．1．3　沿著橫軸或縱軸串接　235
8．2　數(shù)據(jù)重塑　237
8．2．1　多級索引數(shù)據(jù)的重塑　238
8．2．2　應用pivot方法重塑數(shù)據(jù)　239
8．3　數(shù)據(jù)轉換　242
8．3．1　移除重復數(shù)據(jù)　242
8．3．2　利用函數(shù)或映射進行數(shù)據(jù)轉換　243
8．3．3　值轉換　243
8．3．4　重命名軸索引　244
8．3．5　離散化和面元劃分　245
8．3．6　檢測或過濾異常值　247
8．3．7　排列和隨機采樣　248
8．3．8　計算指標/啞變量　249
參考文獻　253