近年來(lái)，大數(shù)據(jù)技術(shù)掀起了計(jì)算機(jī)領(lǐng)域的一個(gè)新浪潮，無(wú)論是數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)可視化，還是機(jī)器學(xué)習(xí)、人工智能，它們都繞不開(kāi)“數(shù)據(jù)”這個(gè)主題。從統(tǒng)計(jì)學(xué)家到軟件開(kāi)發(fā)人員，再到圖形設(shè)計(jì)師，越來(lái)越多的人對(duì)數(shù)據(jù)科學(xué)產(chǎn)生了興趣，廉價(jià)的硬件、可靠的數(shù)據(jù)處理工具和數(shù)據(jù)可視化工具以及海量的數(shù)據(jù)，這些資源使我們能夠輕松地、精確地發(fā)現(xiàn)趨勢(shì)、預(yù)測(cè)未來(lái)。
　　由于海量數(shù)據(jù)的來(lái)源是廣泛的，數(shù)據(jù)類(lèi)型也是多而繁雜的，因此數(shù)據(jù)中會(huì)夾雜著不完整的、重復(fù)的以及錯(cuò)誤的數(shù)據(jù)，如果直接使用這些原始數(shù)據(jù)，會(huì)嚴(yán)重影響數(shù)據(jù)決策的效率。因此，對(duì)原始數(shù)據(jù)進(jìn)行有效的清洗是大數(shù)據(jù)分析和應(yīng)用過(guò)程中的關(guān)鍵環(huán)節(jié)。
　　本書(shū)共分為8章，各章內(nèi)容介紹如下：
　　第1章主要是帶領(lǐng)大家簡(jiǎn)單認(rèn)識(shí)數(shù)據(jù)清洗的背景、定義、原理、基本流程、清洗策略以及常見(jiàn)的數(shù)據(jù)清洗方法。通過(guò)本章的學(xué)習(xí)，讀者可以對(duì)數(shù)據(jù)清洗有基本的認(rèn)識(shí)，便于后續(xù)章節(jié)的學(xué)習(xí)。
　　第2章主要講解ETL技術(shù)相關(guān)的知識(shí)，即基于ETL的數(shù)據(jù)清洗（ETL的概念、體系結(jié)構(gòu)）、ETL關(guān)鍵技術(shù)（抽取數(shù)據(jù)的技術(shù)、數(shù)據(jù)清洗轉(zhuǎn)換的技術(shù)以及數(shù)據(jù)加載的技術(shù)）和ETL常見(jiàn)工具。通過(guò)本章的學(xué)習(xí)，讀者可以認(rèn)識(shí)ETL，并熟悉ETL的關(guān)鍵技術(shù)和ETL常見(jiàn)的工具。
　　第3章主要講解數(shù)據(jù)清洗工具Kettle的相關(guān)知識(shí)，即Kettle的概述、設(shè)計(jì)原則、下載安裝以及基本概念和基本功能。通過(guò)本章的學(xué)習(xí)，讀者可以使用Kettle工具對(duì)ETL數(shù)據(jù)進(jìn)行相關(guān)處理（抽取、清洗轉(zhuǎn)換以及加載）。
　　第4章主要講解數(shù)據(jù)清洗的第一步——數(shù)據(jù)抽取，即抽取文本數(shù)據(jù)、Web數(shù)據(jù)以及數(shù)據(jù)庫(kù)數(shù)據(jù)的相關(guān)知識(shí)。通過(guò)本章的學(xué)習(xí)，讀者可以掌握抽取各種形式的數(shù)據(jù)并保存至數(shù)據(jù)庫(kù)中，便于后續(xù)對(duì)數(shù)據(jù)進(jìn)行相關(guān)清洗轉(zhuǎn)換和分析。
　　第5章主要講解數(shù)據(jù)的清洗與檢驗(yàn)相關(guān)的知識(shí)，即數(shù)據(jù)去重、缺失值處理、異常值處理以及數(shù)據(jù)檢驗(yàn)知識(shí)。通過(guò)本章的學(xué)習(xí)，讀者可以掌握對(duì)重復(fù)數(shù)據(jù)、缺失值數(shù)據(jù)、異常值數(shù)據(jù)的處理，也可以掌握對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)的操作。
　　第6章主要講解數(shù)據(jù)轉(zhuǎn)換相關(guān)的知識(shí)，即多數(shù)據(jù)源合并、不一致數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)粒度的轉(zhuǎn)換、數(shù)據(jù)的商務(wù)規(guī)則計(jì)算的知識(shí)。通過(guò)本章的學(xué)習(xí)，讀者可以掌握數(shù)據(jù)轉(zhuǎn)換操作，實(shí)現(xiàn)將企業(yè)中的數(shù)據(jù)進(jìn)行規(guī)范化處理。