在Towards Data Science上看過一篇文章，講的是用Pandas做數據清洗，作者將常用的清洗邏輯封裝成了一個個的清洗函數。
https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38
而公司的業務數據一般存儲在數據倉庫裡面，數據量很大，這時候用Pandas處理是不大方便的，更多時候用的是HiveSQL和MySql做處理。
基於此，我拓展了部分內容，寫了一個常用數據清洗的SQL對比版，腳本很簡單，重點是這些清洗場景和邏輯，大綱如圖：
01 刪除指定列、重命名列
場景：
多數情況並不是底表的所有特徵（列）都對分析有用，這個時候就只需要抽取部分列，對於不用的那些列，可以刪除。
重命名列可以避免有些列的命名過於冗長（比如Case When 語句），且有時候會根據不同的業務指標需求來命名。
刪除列Python版：
df.drop(col_names, axis=1, inplace=True)
刪除列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因為一般情況下是沒有刪除的權限（可以構建臨時表），反向思考，刪除的另一個邏輯是選定指定列（Select）。
02 重複值、缺失值處理
場景：比如某網站今天來了1000個人訪問，但一個人一天中可以訪問多次，那資料庫中會記錄用戶訪問的多條記錄，而這時候如果想要找到今天訪問這個網站的1000個人的ID並根據此做用戶調研，需要去掉重複值給業務方去回訪。
缺失值：NULL做運算邏輯時，返回的結果還是NULL，這可能就會出現一些腳本運行正確，但結果不對的BUG，此時需要將NULL值填充為指定值。
重複值處理Python版：
df.drop_duplicates()
重複值處理SQL版：
1、select distinct col_name from Table_Name
2、select col_name from Table_Name group bycol_name
缺失值處理Python版：
df.fillna(value = 0)
df1.combine_first(df2)
缺失值處理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 case when col_name is null then 0 else col_name end from Table_Name03 替換字符串空格、清洗*%@等垃圾字符、字符串拼接、分隔等字符串處理
場景：理解用戶行為的重要一項是去假設用戶的心理，這會用到用戶的反饋意見或一些用研的文本數據，這些文本數據一般會以字符串的形式存儲在資料庫中，但用戶反饋的這些文本一般都會很亂，所以需要從這些髒亂的字符串中提取有用信息，就會需要用到文字符串處理函數。
字符串處理Python版：
## 1、空格處理
df[col_name] = df[col_name].str.lstrip()
## 2、*%d等垃圾符處理
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()
字符串處理SQL版：
## 1、空格處理
select ltrim(col_name) from Table_name
## 2、*%d等垃圾符處理
select regexp_replace(col_name,正則表達式) 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_name04 合併處理
場景：有時候你需要的特徵存儲在不同的表裡，為便於清洗理解和操作，需要按照某些欄位對這些表的數據進行合併組合成一張新的表，這樣就會用到連接等方法。
合併處理Python版：
左右合併
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])
上下合併
df1.append(df2, ignore_index=True, sort=False)
合併處理SQL版：
左右合併
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
上下合併
## Union：對兩個結果集進行併集操作，不包括重複行，同時進行默認規則的排序；
## Union All：對兩個結果集進行併集操作，包括重複行，不進行排序；
select A.* from Table_a A
union
select B.* from Table_b B
# Union 因為會將各查詢子集的記錄做比較，故比起Union All ，通常速度都會慢上許多。一般來說，如果使用Union All能滿足要求的話，務必使用Union All。
場景：假如現在你是某寶的分析師，要分析今年不同店的不同品類銷售量情況，需要找到那些銷量較好的品類，並在第二年中加大曝光，這個時候你就需要將不同店裡不同品類進行分組，並且按銷量進行排序，以便查找到每家店銷售較好的品類。Demo數據如上，一共a,b,c三家店鋪，賣了不同品類商品，銷量對應如上，要找到每家店賣的最多的商品。窗口分組Python版：
df['Rank'] = df.groupby(by=['Sale_store'])['Sale_Num'].transform(lambda x: x.rank(ascending=False))
窗口分組SQL版：
select
*
from
(
Select
*，
row_number() over(partition by Sale_store order by Sale_Num desc) rk
from
table_name
) b where b.rk = 1可以很清晰的看到，a店鋪賣的最火的是蔬菜，c店鋪賣的最火的是雞肉，b店鋪？
嗯，b店鋪很不錯，賣了888份寶器狗。
總結，上面的內容核心是掌握這些數據清洗的應用場景，這些場景幾乎可以涵蓋90%的數據分析前數據清洗的內容。而對於分析模型來說，SQL和Python都是工具，如果熟悉SQL，是能夠更快速、方便的將特徵清洗用SQL實現。