數(shù)據(jù)質(zhì)量（Data Quality）是數(shù)據(jù)分析結(jié)論有效性和準(zhǔn)確性的基礎(chǔ)也是最重要的前提和保障。數(shù)據(jù)質(zhì)量保證（Data Quality Assurance）是數(shù)據(jù)倉庫架構(gòu)中的重要環(huán)節(jié)，也是ETL的重要組成部分。

我們通常通過數(shù)據(jù)清洗（Data cleansing）來過濾臟數(shù)據(jù)，保證底層數(shù)據(jù)的有效性和準(zhǔn)確性，數(shù)據(jù)清洗一般是數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫的前置環(huán)節(jié)，一般來說數(shù)據(jù)一旦進(jìn)入數(shù)據(jù)倉庫，那么必須保證這些數(shù)據(jù)都是有效的，上層的統(tǒng)計聚合都會以這批數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)集，上層不會再去做任何的校驗和過濾，同時使用穩(wěn)定的底層基礎(chǔ)數(shù)據(jù)集也是為了保證所有上層的匯總和多維聚合的結(jié)果是嚴(yán)格一致的。但當(dāng)前我們在構(gòu)建數(shù)據(jù)倉庫的時候一般不會把所有的數(shù)據(jù)清洗步驟放在入庫之前，一般會把部分?jǐn)?shù)據(jù)清洗的工作放在入庫以后來執(zhí)行，主要由于數(shù)據(jù)倉庫對數(shù)據(jù)處理方面有自身的優(yōu)勢，部分的清洗工作在倉庫中進(jìn)行會更加的簡單高效，而且只要數(shù)據(jù)清洗發(fā)生在數(shù)據(jù)的統(tǒng)計和聚合之前，我們?nèi)匀豢梢员ＷC使用的是清洗之后保留在數(shù)據(jù)倉庫的最終“干凈”的基礎(chǔ)數(shù)據(jù)。

前段時間剛好跟同事討論數(shù)據(jù)質(zhì)量保證的問題，之前做數(shù)據(jù)倉庫相關(guān)工作的時候也接觸過相關(guān)的內(nèi)容，所以這里準(zhǔn)備系統(tǒng)地整理一下。之前構(gòu)建數(shù)據(jù)倉庫基于Oracle，所以選擇的是Oracle提供的數(shù)據(jù)倉庫構(gòu)建工具——OWB（Oracle Warehouse Builder），里面提供了比較完整的保證數(shù)據(jù)質(zhì)量的操作流程，主要包括三塊：

1.Data Profiling

2.Data Auditing

3.Data Correcting

Data Profiling

Data Profiling，其實目前還沒找到非常恰當(dāng)?shù)姆�譯，Oracle里面用的是“數(shù)據(jù)概要分析”，但其實“Profiling”這個詞用概要分析無法體現(xiàn)它的意境，看過美劇Criminal Minds（犯罪心理）的同學(xué)應(yīng)該都知道FBI的犯罪行為分析小組（BAU）每集都會對罪犯做一個Criminal Profiling，以分析罪犯的身份背景、行為模式、心理狀態(tài)等，所以Profiling更多的是一個剖析的過程。維基百科對Data Profiling的解釋如下：

Data profiling is the process of examining the data available in an existing data source and collecting statistics and information about that data.

這里我們看到Data Profiling需要一個收集統(tǒng)計信息的過程（這也是犯罪心理中Garcia干的活），那么如何讓獲取數(shù)據(jù)的統(tǒng)計信息呢？

熟悉數(shù)據(jù)庫的同學(xué)應(yīng)該知道數(shù)據(jù)庫會對每張表做Analyze，一方面是為了讓優(yōu)化器可以選擇合適的執(zhí)行計劃，另一方面對于一些查詢可以直接使用分析得到的統(tǒng)計信息返回結(jié)果，比如COUNT（*）。這個其實就是簡單的Data Profiling，Oracle數(shù)據(jù)倉庫構(gòu)建工具OWB中提供的Data Profiling的統(tǒng)計信息更加全面，針對建立Data Profile的表中的每個字段都有完整的統(tǒng)計信息，包括：

記錄數(shù)、最大值、最小值、最大長度、最小長度、唯一值個數(shù)、NULL值個數(shù)、平均數(shù)和中位數(shù)，另外OWB還提供了six-sigma值，取值1-6，越高數(shù)據(jù)質(zhì)量越好，當(dāng)six-sigma的值為7的時候可以認(rèn)為數(shù)據(jù)質(zhì)量近乎是完美的。同時針對字段的唯一值，統(tǒng)計信息中給出了每個唯一值的分布頻率，這個對發(fā)現(xiàn)一些異常數(shù)據(jù)是非常有用的，后面會詳細(xì)介紹。

看到上面這些Data Profile的統(tǒng)計信息，我們可能會聯(lián)想到統(tǒng)計學(xué)上面的統(tǒng)計描述，統(tǒng)計學(xué)上會使用一些統(tǒng)計量來描述一些數(shù)據(jù)集或者樣本集的特征，如果我們沒有類似OWB的這類ETL工具，我們同樣可以借助統(tǒng)計學(xué)的這些知識來對數(shù)據(jù)進(jìn)行簡單的Profiling，這里不得不提一個非常實用的圖表工具——箱形圖（Box plot），也叫箱線圖、盒狀圖。我們可以嘗試用箱形圖來表現(xiàn)數(shù)據(jù)的分布特征：

箱線圖有很多種表現(xiàn)形式，上面圖中的是比較常見的一種箱線圖。一般中間矩形箱的上下兩邊分別為數(shù)據(jù)集的上四分位數(shù)（75%，Q3）和下四分位數(shù)（25%，Q1），中間的橫線代表數(shù)據(jù)集的中位數(shù)（50%，Media，Q2），同時有些箱線圖會用“+”來表示數(shù)據(jù)集的均值。箱形的上下分別延伸出兩條線，這兩條線的末端（也叫“觸須”）一般是距離箱形1.5個IQR（Q3-Q1，即箱形的長度），所以上端的觸須應(yīng)該是Q3+1.5IQR，下端的觸須是Q1-1.5IQR；如果數(shù)據(jù)集的最小值大于Q1-1.5IQR，我們就會使用最小值替換Q1-1.5IQR作為下方延伸線末端，同樣如果最大值小于Q3+1.5IQR，用最大值作為上方延伸線的末端，如果最大或者最小值超出了Q1-1.5IQR到Q3+1.5IQR這個范圍，我們將這些超出的數(shù)據(jù)稱為離群點（Outlier），在圖中打印出來，即圖中在上方觸須之外的點。另外，有時候我們也會使用基于數(shù)據(jù)集的標(biāo)準(zhǔn)差σ，選擇上下3σ的范圍，或者使用置信水平為95%的置信區(qū)間來確定上下邊界的末端值。

其實箱線圖沒有展現(xiàn)數(shù)據(jù)集的全貌，但通過對數(shù)據(jù)集幾個關(guān)鍵統(tǒng)計量的圖形化表現(xiàn)，可以讓我們看清數(shù)據(jù)的整體分布和離散情況。

既然我們通過Data profiling已經(jīng)可以得到如上的數(shù)據(jù)統(tǒng)計信息，那么如何利用這些統(tǒng)計信息來審核數(shù)據(jù)的質(zhì)量，發(fā)現(xiàn)數(shù)據(jù)可能存在的異常和問題，并對數(shù)據(jù)進(jìn)行有效的修正，或者清洗，進(jìn)而得到“干凈”的數(shù)據(jù)，這些內(nèi)容就放到下一篇文章吧。