數(shù)據(jù)清洗是大數(shù)據(jù)領(lǐng)域不可缺少的環(huán)節(jié)，用來發(fā)現(xiàn)并糾正數(shù)據(jù)中可能存在的錯(cuò)誤，針對數(shù)據(jù)審查過程中發(fā)現(xiàn)的錯(cuò)誤值、缺失值、異常值、可疑數(shù)據(jù)，選用適當(dāng)方法進(jìn)行“清理”，使“臟”數(shù)據(jù)變?yōu)椤案蓛簟睌?shù)據(jù)。
本書共分為8章：第1章主要介紹數(shù)據(jù)清洗的概念、任務(wù)和流程，數(shù)據(jù)標(biāo)準(zhǔn)化概念及數(shù)據(jù)倉庫技術(shù)等；第2章主要介紹Windows和類UNIX操作系統(tǒng)下的數(shù)據(jù)常規(guī)格式、數(shù)據(jù)編碼及數(shù)據(jù)類型轉(zhuǎn)換等；第3章介紹ETL概念、數(shù)據(jù)清洗的技術(shù)路線、ETL工具及ETL子系統(tǒng)等；第4章介紹Excel、Kettle、OpenRefine、DataWrangler和Hawk的安裝及使用等；第5章介紹Kettle下文本文件抽取、Web數(shù)據(jù)抽取、數(shù)據(jù)庫數(shù)據(jù)抽取及增量數(shù)據(jù)抽取等；第6章介紹數(shù)據(jù)清洗步驟、數(shù)據(jù)檢驗(yàn)、數(shù)據(jù)錯(cuò)誤處理、數(shù)據(jù)質(zhì)量評估及數(shù)據(jù)加載；第7章介紹網(wǎng)頁結(jié)構(gòu)，利用網(wǎng)絡(luò)爬蟲技術(shù)進(jìn)行數(shù)據(jù)采集，利用JavaScript技術(shù)進(jìn)行行為日志數(shù)據(jù)采集等；第8章介紹RDBMS的數(shù)據(jù)清洗方法和數(shù)據(jù)脫敏處理技術(shù)等。
本書系統(tǒng)地講解了數(shù)據(jù)清洗理論和實(shí)際應(yīng)用，適用于高職高專院校和應(yīng)用型本科的大數(shù)據(jù)課程教學(xué)，也適用于希望了解數(shù)據(jù)清洗的廣大讀者。