数据质量的问题可以分为两类：一类是基于数据源的“脏”数据分类；另一类是基于清洗方式的“脏”数据分类。下面分别针对基于数据源的“脏”数据分类和基于清洗方式的“脏”数据分类数据清洗的主要步骤(二):在源端更正数据如果数据在成为系统中的脏数据(或重复数据)之前可以修复，则可节省大量的时间并省去很多工作量。例如，如果表单过于拥挤
4、重新取数重新取数是针对那些指标重要但缺失率又较高的数据，这需要向取数人员或是业务人员进行资讯，或者从其他渠道取到相关数据。5、关联性验证如果数据的来源较多，就有必要在数据搜集的过程中，需要从不同渠道获取数据并汇集在中心数据库，搜集的原始数据首先需要进行解析，然后对不准确、不完整、不合理、格式、字符等不规范数据进行过滤清洗，清洗过的数据
＞ω＜ 根据数据分析出的数据源个数和数据源中的“脏”数据程度定义数据清洗策略和规则，并选择合适的数据清洗算法。3.搜寻并确定错误实例搜寻并确定错误实例步骤包数据清洗方法：一般来说，数据清理是将数据库精简以除去重复记录，并使剩余部分转换成标准可接收格式的过程。数据清理标准模型是将数据输入到数据清理处理器，通过
数据清洗是指重复。多余的数据筛选和清除，完整地补充丢失的数据，纠正或删除错误的数据，最后整理成我们可以进一步处理和使用的数据。二、数据清洗到底要洗掉数据清洗流程：1、缺失值：数据确实是比较常见的一种情况，通常用3中处理方法：删除：删除整条数据记录，适合在样本差别不明显，且样本数量较大的情况。均值：使用当前列的均值填
