内容简介  · · · · · · 数据清洗是数据挖掘与分析过程中不可缺少的一个环节，但因为数据类型极其复杂，传统的清洗脏数据工作单调乏味且异常辛苦。如果能利用正确的工具和方法，就可以让数据清洗工作事半功倍。 本书从文件格式、数据类型、字符编码等基本概念讲起，通过真实的示例，探讨如何提取和清洗关系型数据库、网页文件和PDF文档中的数据。最后提供了两个真实的项目，让读者将所有数据清洗技术付诸实践，完成整个数据科学过程。 如果你是一位数据科学家，或者从事数据科学工作，哪怕是位新手，只要对数据清洗有兴趣，那么本书就适合你阅读！ 作者简介  · · · · · · 作者简介： Megan Squire 依隆大学计算科学专业教授，主要教授数据库系统、Web开发、数据挖掘和数据科学课程。有二十年的数据收集与清洗经验。她还是FLOSSmole研究项目的领导者，致力于收集与分析数据，以便研究免费软件、自由软件和开源软件的开发。 目录  · · · · · · 第1章 　为什么需要清洗数据　　1 1.1 　新视角　　1 1.2 　数据科学过程　　2 1.3 　传达数据清洗工作的内容　　3 1.4 　数据清洗环境　　4 1.5 　入门示例　　5 1.6 　小结　　9 第2章 　基础知识——格式、 类型与编码　　11 2.1 　文件格式　　11 2.1.1 　文本文件与二进制文件　　11 2.1.2 　常见的文本文件格式　　14 2.1.3 　分隔格式　　14 2.2 　归档与压缩　　20 2.2.1 　归档文件　　20 2.2.2 　压缩文件　　21 2.3 　数据类型、空值与编码　　24 2.3.1 　数据类型　　25 2.3.2 　数据类型间的相互转换　　29 2.3.3 　转换策略　　30 2.3.4 　隐藏在数据森林中的空值　　37 2.3.5 　字符编码　　41 2.4 　小结　　46 第3章 　数据清洗的老黄牛——电子表格和文本编辑器　　47 3.1 　电子表格中的数据清洗　　47 3.1.1 　Excel的文本分列功能　　47 3.1.2 　字符串拆分　　51 3.1.3 　字符串拼接　　51 3.2 　文本编辑器里的数据清洗　　54 3.2.1 　文本调整　　55 3.2.2 　列选模式　　56 3.2.3 　加强版的查找与替换功能　　56 3.2.4 　文本排序与去重处理　　58 3.2.5 　Process Lines Containing　　60 3.3 　示例项目　　60 3.3.1 　第一步：问题陈述　　60 3.3.2 　第二步：数据收集　　60 3.3.3 　第三步：数据清洗　　61 3.3.4 　第四步：数据分析　　63 3.4 　小结　　63 第4章 　讲通用语言——数据转换　　64 4.1 　基于工具的快速转换　　64 4.1.1 　从电子表格到CSV　　65 4.1.2 　从电子表格到JSON　　65 4.1.3 　使用phpMyAdmin从SQL 语句中生成CSV或JSON　　67 4.2 　使用PHP实现数据转换　　69 4.2.1 　使用PHP实现SQL到JSON的数据转换　　69 4.2.2 　使用PHP实现SQL到CSV的数据转换　　70 4.2.3 　使用PHP实现JSON到CSV的数据转换　　71 4.2.4 　使用PHP实现CSV到JSON的数据转换　　71 4.3 　使用Python实现数据转换　　72 4.3.1 　使用Python实现CSV到JSON的数据转换　　72 4.3.2 　使用csvkit实现CSV到JSON的数据转换　　73 4.3.3 　使用Python实现JSON到CSV的数据转换　　74 4.4 　示例项目　　74 4.4.1 　第一步：下载GDF格式的Facebook数据　　75 4.4.2 　第二步：在文本编辑器中查看GDF文件　　75 4.4.3 　第三步：从GDF格式到JSON格式的转换　　76 4.4.4 　第四步：构建D3图　　79 4.4.5 　第五步：把数据转换成Pajek格式　　81 4.4.6 　第六步：简单的社交网络分析　　83 4.5 　小结　　84 第5章 　收集并清洗来自网络的数据　　85 5.1 　理解HTML页面结构　　85 5.1.1 　行分隔模型　　86 5.1.2 　树形结构模型　　86 5.2 　方法一：Python和正则表达式　　87 5.2.1 　第一步：查找并保存实验用的Web文件　　88 5.2.2 　第二步：观察文件内容并判定有价值的数据　　88 5.2.3 　第三步：编写Python程序把数据保存到CSV文件中　　89 5.2.4 　第四步：查看文件并确认清洗结果　　89 5.2.5 　使用正则表达式解析HTML的局限性　　90 5.3 　方法二：Python和BeautifulSoup　　90 5.3.1 　第一步：找到并保存实验用的文件　　90 5.3.2 　第二步：安装BeautifulSoup　　91 5.3.3 　第三步：编写抽取数据用的Python程序　　91 5.3.4 　第四步：查看文件并确认清洗结果　　92 5.4 　方法三：Chrome Scraper　　92 5.4.1 　第一步：安装Chrome扩展Scraper　　92 5.4.2 　第二步：从网站上收集数据　　92 5.4.3 　第三步：清洗数据　　94 5.5 　示例项目：从电子邮件和论坛中抽取数据　　95 5.5.1 　项目背景　　95 5.5.2 　第一部分：清洗来自Google Groups电子邮件的数据　　96 5.5.3 　第二部分：清洗来自网络论坛的数据　　99 5.6 　小结　　105 第6章 　清洗PDF文件中的数据　　106 6.1 　为什么PDF文件很难清洗　　106 6.2 　简单方案——复制　　107 6.2.1 　我们的实验文件　　107 6.2.2 　第一步：把我们需要的数据复制出来　　108 6.2.3 　第二步：把复制出来的数据粘贴到文本编辑器中　　109 6.2.4 　第三步：轻量级文件　　110 6.3 　第二种技术——pdfMiner　　111 6.3.1 　第一步：安装pdfMiner　　111 6.3.2 　第二步：从PDF文件中提取文本　　111 6.4 　第三种技术——Tabula　　113 6.4.1 　第一步：下载Tabula　　113 6.4.2 　第二步：运行Tabula　　113 6.4.3 　第三步：用Tabula提取数据　　114 6.4.4 　第四步：数据复制　　114 6.4.5 　第五步：进一步清洗　　114 6.5 　所有尝试都失败之后——第四种技术　　115 6.6 　小结　　117 第7章 　RDBMS清洗技术　　118 7.1 　准备　　118 7.2 　第一步：下载并检查Sentiment140　　119 7.3 　第二步：清洗要导入的数据　　119 7.4 　第三步：把数据导入MySQL　　120 7.4.1 　发现并清洗异常数据　　121 7.4.2 　创建自己的数据表　　122 7.5 　第四步：清洗&字符　　123 7.6 　第五步：清洗其他未知字符　　124 7.7 　第六步：清洗日期　　125 7.8 　第七步：分离用户提及、标签和URL　　127 7.8.1 　创建一些新的数据表　　128 7.8.2 　提取用户提及　　128 7.8.3 　提取标签　　130 7.8.4 　提取URL　　131 7.9 　第八步：清洗查询表　　132 7.10 　第九步：记录操作步骤　　134 7.11 　小结　　135 第8章 　数据分享的最佳实践　　136 8.1 　准备干净的数据包　　136 8.2 　为数据编写文档　　139 8.2.1 　README文件　　139 8.2.2 　文件头　　141 8.2.3 　数据模型和图表　　142 8.2.4 　维基或CMS　　144 8.3 　为数据设置使用条款与许可协议　　144 8.4 　数据发布　　146 8.4.1 　数据集清单列表　　146 8.4.2 　Stack Exchange上的Open Data　　147 8.4.3 　编程马拉松　　147 8.5 　小结　　148 第9章 　Stack Overflow项目　　149 9.1 　第一步：关于Stack Overflow的问题　　149 9.2 　第二步：收集并存储Stack Overflow数据　　151 9.2.1 　下载Stack Overflow数据　　151 9.2.2 　文件解压　　152 9.2.3 　创建MySQL数据表并加载数据　　152 9.2.4 　构建测试表　　154 9.3 　第三步：数据清洗　　156 9.3.1 　创建新的数据表　　157 9.3.2 　提取URL并填写新数据表　　158 9.3.3 　提取代码并填写新表　　159 9.4 　第四步：数据分析　　161 9.4.1 　哪些代码分享网站最为流行　　161 9.4.2 　问题和答案中的代码分享网站都有哪些　　162 9.4.3 　提交内容会同时包含代码分享URL和程序源代码吗　　165 9.5 　第五步：数据可视化　　166 9.6 　第六步：问题解析　　169 9.7 　从测试表转向完整数据表　　169 9.8 　小结　　170 第10章 　Twitter项目　　171 10.1 　第一步：关于推文归档数据的问题　　171 10.2 　第二步：收集数据　　172 10.2.1 　下载并提取弗格森事件的 数据文件　　173 10.2.2 　创建一个测试用的文件　　174 10.2.3 　处理推文ID　　174 10.3 　第三步：数据清洗　　179 10.3.1 　创建数据表　　179 10.3.2 　用Python为新表填充数据　　180 10.4 　第四步：简单的数据分析　　182 10.5 　第五步：数据可视化　　183 10.6 　第六步：问题解析　　186 10.7 　把处理过程应用到全数据量（非测试用）数据表　　186 10.8 　小结　　187