数据清洗方法、装置、设备及存储介质与流程

本发明实施例涉及数据处理技术领域，尤其涉及一种数据清洗方法、装置、设备及存储介质。

背景技术：

随着信息技术发展和企业信息化建设的进行，企业自身积累了大量的业务数据，这些数据对于企业非常珍贵，是企业了解自身经营状况及进行正确决策的基础。由于用户录入错误、系统集成及企业环境变化等因素，都会影响到数据质量。

在数据库研究和应用领域，数据清洗是构建数据库的第一步。在数据挖掘中，海量的原始数据存在着大量不完整、不一致以及有异常的数据，严重影响数据挖掘建模的执行效率，甚至可能导致挖掘结果的偏差，所以进行数据清洗就显得尤为重要。现有技术中，数据清洗的方式有如下几种：1)人工清洗，效率低下；2)通过专门编写的应用程序，这种方法能解决某个特定的问题，但是不够灵活；3)针对特定应用领域数据的清洗，适用性差。

技术实现要素：

本发明实施例提供一种数据清洗方法、装置、设备及存储介质，提高数据清洗的效率及适用性。

第一方面，本发明实施例提供了一种数据清洗方法，该方法包括：

获取待清洗数据，根据设定格式标准对所述待清洗数据进行预清洗；

获取预清洗后的数据所属的类别；

根据所述类别对应的清洗标准对所述数据进行清洗，获得目标数据。

进一步地，根据设定格式标准对所述待清洗数据进行预清洗，包括：

获取所述待清洗数据的索引文件和内容文件；

将所述待清洗数据中索引文件和内容文件不一致的数据清洗掉。

进一步地，根据所述类别对应的清洗标准对所述数据进行清洗，包括：

对所述数据进行如下至少一项操作：数据格式转换、数据类型转换、经纬度纠正和乱码清除。

进一步地，在根据所述类别对应的清洗标准对所述数据进一步的清洗，获得目标数据之后，还包括：

按照设定数据规则配置所述目标数据，将配置后的数据上报至目标业务方。

进一步地，在根据所述类别对应的清洗标准对所述数据进一步的清洗，获得目标数据之后，还包括：

统计所述待清洗数据的大小、所述目标数据的大小。

第二方面，本发明实施例还提供了一种数据清洗装置，该装置包括：

待清洗数据获取模块，用于获取待清洗数据，根据设定格式标准对所述待清洗数据进行预清洗；

类别获取模块，用于获取预清洗后的数据所属的类别；

目标数据获取模块，用于根据所述类别对应的清洗标准对所述数据进行清洗，获得目标数据。

进一步地，待清洗数据获取模块，还用于：

获取所述待清洗数据的索引文件和内容文件；

将所述待清洗数据中索引文件和内容文件不一致的数据清洗掉。

进一步地，目标数据获取模块，还用于：

对所述数据进行如下至少一项操作：数据格式转换、数据类型转换、经纬度纠正和乱码清除。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的数据清洗方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的数据清洗方法。

本发明实施例，首先获取待清洗数据，根据设定格式标准对待清洗数据进行预清洗，然后获取预清洗后的数据所属的类别，最后根据类别对应的清洗标准对数据进行清洗，获得目标数据。本发明实施例提供的数据清洗方法，首先对待清洗数据进行预处理，然后按照数据类别对应的清洗标准对数据进行清洗，可以提高数据清洗的效率及适用性，从而提高数据的安全性。

附图说明

图1是本发明实施例一中的一种数据清洗方法的流程图；

图2是本发明实施例二中的一种数据清洗装置的结构示意图；

图3是本发明实施例三中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种数据清洗方法的流程图，本实施例可适用于对数据进行清洗的情况，该方法可以由数据清洗装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有数据清洗功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示，该方法具体包括如下步骤：

步骤110，获取待清洗数据，根据设定格式标准对待清洗数据进行预清洗。

其中，待清洗数据可以是各业务方通过各自的外网服务器进行初步加载并转化处理，然后将数据分类，根据设定格式标准上报的业务数据。待清洗数据通过防火墙设备传递至内网服务器，内网服务器对接收到的待清洗数据进行清洗处理。其中，设定格式标准可以是数据以压缩格式的zip文件进行传递，zip文件中包含索引文件和内容文件，索引文件用于表征内容文件中的具体内容及内容排列顺序等；设定格式标准还可以规定zip文件的命名规则以及文件内容中的数据格式、数据取值范围及数据数量等。示例性的，索引文件为：采集时间-数据提供厂家-数据收集地址-数据来源-随机数，则对应的内容文件为：1539671642-xxxx-xxx-xx-xx。

具体的，根据设定格式标准对待清洗数据进行预清洗，包括：获取待清洗数据的索引文件和内容文件；将待清洗数据中索引文件和内容文件不一致的数据清洗掉。

检测内容文件中的内容是否与索引文件相对应，以及内容的格式、内容的取值范围和数据数据是否满足设定标准，若不满足，则将数据清洗掉。

步骤120，获取预清洗后的数据所属的类别。

其中，类别可以包括字符型、图片、数字、日期。业务方在将数据传递至内网服务器前，已经对数据进行了归类，在数据中添加了关于类别的关键字，可以通过识别关键字获取数据所属的类别。

步骤130，根据类别对应的清洗标准对数据进行清洗，获得目标数据。

其中，根据类别对应的清洗标准对数据进行清洗可以包括数据格式转换、数据类型转换、经纬度纠正和乱码清除。如大小写转换、浮点型转换成长整型等。

可选的，在根据类别对应的清洗标准对数据进一步的清洗，获得目标数据之后，还包括如下步骤：按照设定数据规则配置目标数据，将配置后的数据上报至目标业务方。

其中，设定数据规则可以根据业务方的标准而设定。由于每个业务方的标准不一样，所以为了尽量减少资源开销，重复利用已经清洗好的数据，采用配置文件的模式，将目标数据配置为不同数据规则的数据，上报至对应的业务方。

可选的，在根据类别对应的清洗标准对数据进一步的清洗，获得目标数据之后，还包括如下步骤：统计待清洗数据的大小、目标数据的大小。其中，统计信息中还可以包括待清洗数据所属的类别。

本实施例的技术方案，首先获取待清洗数据，根据设定格式标准对待清洗数据进行预清洗，然后获取预清洗后的数据所属的类别，最后根据类别对应的清洗标准对数据进行清洗，获得目标数据。本发明实施例提供的数据清洗方法，首先对待清洗数据进行预处理，然后按照数据类别对应的清洗标准对数据进行清洗，可以提高数据清洗的效率及适用性，从而提高数据的安全性。

实施例二

图2为本发明实施例二提供的一种数据清洗装置的结构示意图。如图2所示，该装置包括：待清洗数据获取模块210，类别获取模块220和目标数据获取模块230。

待清洗数据获取模块210，用于获取待清洗数据，根据设定格式标准对待清洗数据进行预清洗；

类别获取模块220，用于获取预清洗后的数据所属的类别；

目标数据获取模块230，用于根据类别对应的清洗标准对数据进行清洗，获得目标数据。

可选的，待清洗数据获取模块210，还用于：

获取待清洗数据的索引文件和内容文件；

将待清洗数据中索引文件和内容文件不一致的数据清洗掉。

可选的，目标数据获取模块230，还用于：

对数据进行如下至少一项操作：数据格式转换、数据类型转换、经纬度纠正和乱码清除。

可选的，还包括：

上报模块，用于按照设定数据规则配置目标数据，将配置后的数据上报至目标业务方。

可选的，还包括：

统计模块，用于统计待清洗数据的大小、目标数据的大小。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例三

图3为本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的计算机设备312的框图。图3显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312典型的是承担数据清洗功能的计算设备。

如图3所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。

总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture，isa)总线，微通道体系结构(microchannelarchitecture，mca)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation，vesa)局域总线以及外围组件互连(peripheralcomponentinterconnect，pci)总线。

计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory，ram)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(compactdisc-readonlymemory，cd-rom)、数字视盘(digitalvideodisc-readonlymemory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(localareanetwork，lan)，广域网wideareanetwork，wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundantarraysofindependentdisks，raid)系统、磁带驱动器以及数据备份存储系统等。

处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的数据清洗方法。

实施例四

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的数据清洗方法。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的数据清洗方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。