数据探索与质量检查工具-OpenRefine

  OpenRefine提供数据集治理功能，它很擅长数据的探索、清理、转换等，主要功能介绍如下。

1. 转换数据
     OpenRefine是开源的数据质量检查工具，利用这个工具，快速筛选数据、清理数据、排重、分析时间维度上的分布与趋势等。

2. 排重
     待处理的数据通常是有瑕疵的，总是数据重复行，通过排重实现数据重复行检查。
     先假设7天的房产交易中，出现同样的地址就意味着有重复的行。这么短的时间周期内，同一套房子不太可能被卖两回。所以，在重复的数据上Blank down：而将重复出现的置为空白。

3. 使用OpenRefine探索数据
     理解数据是建立成功模型的前提。对数据做不到了如指掌，你建立的模型就可能在纸面上很美，却在生产环境中大错特错。探索数据集是检测数据是否有问题的一个好办法。
     有了Facets，用OpenRefine探索数据就简单了。一个OpenRefine Facet可以理解成一个过滤器：它让你快速地选择某些行，或直接探索数据。每一列都可以创建一个facet—只消单击列旁边的下拉箭头，菜单中选Facet组。
   （1）. OpenRefine中有四种基本的facet：文本、数字、时间线以及分布图。
   文本facet可以快速地对数据集中文本列的分布有一个感觉。比如，可以找到数据集中，2008年5月15日到5月21日之间销售额最高的是哪个城市。
   （2）. 可以自行定制facet，或者使用OpenRefine工具库中复杂一些的facet，比如词或文本的长度。

4. 使用正则表达式与GREL清理数据
     清理并准备使用数据时，可能需要从文本字段中提取一些信息。有些时候，只需要用些分隔符将文本字段拆开。但当数据符合一些模式，并不是简单地拆分文本就能做到时，就需要求助于正则表达式了。
     以在OpenRefine中使用它转换数据。现在要将city_state_zip拆成三列：city、state和zip。单击列名旁边的向下按钮，出来的菜单中，根据情况选择Edit column或Add column。会出现一个数据清理正则表达式配置窗口，进行正则表达式配置，实现数据提取、转换。
   访问界面如下：

   
   image.png

5. 参考：
   只需4步，微软数据科学家教你用OpenRefine搞定数据清洗