目标:能够对原始数据进行清理,并获得适合分析的整洁数据。
- 清理和重新整理混乱的数据。
- 将列转换为不同的数据类型。
- 处理 NULL 的技巧。
三个新的函数:
-
LEFT
-
RIGHT
-
LENGTH
-
LEFT 从起点(或左侧)开始,从特定列中的每行获取一定数量的字符。正如此处看到的,你可以使用 LEFT(phone_number, 3) 获取电话号码中的前三位。
-
RIGHT 从末尾(或右侧)开始,从特定列中的每行获取一定数量的字符。正如此处看到的,你可以使用 RIGHT(phone_number, 8) 获取电话号码的最后 8 位。
-
LENGTH 提供了特定列每行的字符数。这里,我们可以使用 LENGTH(phone_number) 得出每个电话号码的长度。
![](https://img.haomeiwen.com/i730751/7ba65e7cc28b12d8.png)
练习
LEFT & RIGHT 练习
-
在 accounts 表格中,有一个列存储的是每个公司的网站。最后三个数字表示他们使用的是什么类型的网址。此处给出了扩展(和价格)列表。请获取这些扩展并得出 accounts 表格中每个网址类型的存在数量。
-
对于公司名称(甚至名称的第一个字母)的作用存在颇多争议(https://www.quora.com/Does-a-companys-name-matter)。请从%E3%80%82%E8%AF%B7%E4%BB%8E) accounts 表格中获取每个公司名称的第一个字母,看看以每个字母(数字)开头的公司名称分布情况。
-
使用 accounts 表格和 CASE 语句创建两个群组:一个是以数字开头的公司名称群组,另一个是以字母开头的公司名称群组。以字母开头的公司名称所占的比例是多少?
-
元音是指
a
、e
、i
、o
和u
。有多少比例的公司名称以元音开头,以其他音节开头的公司名称百分比是多少?
答案
SELECT RIGHT(website, 3) AS domain, COUNT(*) num_companies
FROM accounts
GROUP BY 1
ORDER BY 2 DESC;
SELECT LEFT(UPPER(name), 1) AS first_letter, COUNT(*) num_companies
FROM accounts
GROUP BY 1
ORDER BY 2 DESC;
SELECT SUM(num) nums, SUM(letter) letters
FROM (SELECT name, CASE WHEN LEFT(UPPER(name), 1) IN ('0','1','2','3','4','5','6','7','8','9')
THEN 1 ELSE 0 END AS num,
CASE WHEN LEFT(UPPER(name), 1) IN ('0','1','2','3','4','5','6','7','8','9')
THEN 0 ELSE 1 END AS letter
FROM accounts) t1;
有 350 个公司名称以字母开头,1 个公司以数字开头。因此有 350/351 的公司名称以字母开头,即百分比是 99.7%。
SELECT SUM(vowels) vowels, SUM(other) other
FROM (SELECT name, CASE WHEN LEFT(UPPER(name), 1) IN ('A','E','I','O','U')
THEN 1 ELSE 0 END AS vowels,
CASE WHEN LEFT(UPPER(name), 1) IN ('A','E','I','O','U')
THEN 0 ELSE 1 END AS other
FROM accounts) t1;
有 80 的公司名称以元音开头,271 的公司以其他音节开头。元音的比例是 80/351,或 22.8%。因此,有 77.2% 的公司名称没有以元音开头。
位置函数
- POSITION
- STRPOS
- LOWER
- UPPER
POSITION 获取字符和列,并提供该字符在每行的索引。第一个位置的索引在 SQL 中是 1。如果你之前学习了其他编程语言,就会发现很多语言的索引是从 0 开始。这里,你发现可以使用 POSITION(',' IN city_state) 获取逗号的索引。
![](https://img.haomeiwen.com/i730751/a514e63ae81245c6.png)
STRPOS 和 POSITION 提供的结果相同,但是语法不太一样,如下所示:STRPOS(city_state, ‘,’)。
注意,POSITION 和 STRPOS 都区分大小写,因此查找 A 的位置与查找 a 的结果不同。
因此,如果你想获取某个字母的索引,但是不区分大小写,则需要使用 LOWER 或 UPPER 让所有字符变成小写或大写。
![](https://img.haomeiwen.com/i730751/5d016c255fd98836.png)
练习:POSITION 和 STRPOS
对于以下练习,需要用到 LEFT 和 RIGHT 以及 POSITION 或 STRPOS 知识。
使用 accounts 表格创建一个名字和姓氏列,用于存储 primary_poc 的名字和姓氏。
现在创建一个包含 sales_rep 表格中每个销售代表姓名的列,同样,需要提供名字和姓氏列。
解决方案
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ') -1 ) first_name,
RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name
FROM accounts;
SELECT LEFT(name, STRPOS(name, ' ') -1 ) first_name,
RIGHT(name, LENGTH(name) - STRPOS(name, ' ')) last_name
FROM sales_reps;
CONCAT 和 Piping ||
这两个工具都能将不同行的列组合到一起。在此视频中,你学习了如何将存储在不同列中的名字和姓氏组合到一起,形成全名:CONCAT(first_name, ' ', last_name),或者使用双竖线:first_name || ' ' || last_name。
![](https://img.haomeiwen.com/i730751/a2bfdb41f641ac17.png)
练习:CONCAT
-
accounts
表格中的每个客户都想为每个primary_poc
创建一个电子邮箱。邮箱应该是 primary_poc 的名字.
primary_poc的姓氏@
公司名称.com
。 -
你可能注意到了,在上一个答案中,有些公司名称存在空格,肯定不适合作为邮箱地址。看看你能否通过删掉客户名称中的所有空格来创建合适的邮箱地址,否则你的答案就和问题
1.
的一样。此处是一些实用的文档。 -
我们还需要创建初始密码,在用户第一次登录时将更改。初始密码将是
primary_poc
的名字的第一个字母(小写),然后依次是名字的最后一个字母(小写)、姓氏的第一个字母(小写)、姓氏的最后一个字母(小写)、名字的字母数量、姓氏的字母数量,然后是合作的公司名称(全大写,没有空格)
答案
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ') -1 ) first_name,
RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name,
name
FROM accounts)
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', name, '.com')
FROM t1;
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ') -1 ) first_name,
RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name,
name
FROM accounts)
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', REPLACE(name, ' ', ''), '.com')
FROM t1;
WITH t1 AS (
SELECT LEFT(primary_poc, STRPOS(primary_poc, ' ') -1 ) first_name, RIGHT(primary_poc, LENGTH(primary_poc) - STRPOS(primary_poc, ' ')) last_name, name
FROM accounts)
SELECT first_name, last_name, CONCAT(first_name, '.', last_name, '@', name, '.com'), LEFT(LOWER(first_name), 1) || RIGHT(LOWER(first_name), 1) || LEFT(LOWER(last_name), 1) || RIGHT(LOWER(last_name), 1) || LENGTH(first_name) || LENGTH(last_name) || REPLACE(UPPER(name), ' ', '')
FROM t1;
其他数据清洗函数
- TO_DATE
DATE_PART('month', TO_DATE(month, 'month')) 将月份名称改成了与该月相关的数字。
![](https://img.haomeiwen.com/i730751/ba94047f1c99e755.png)
- CAST
然后,你可以使用 CAST 将字符串改为日期。CAST 实际上可以用来更改各种列类型。经常,你会像视频中一样,使用 CAST(date_column AS DATE) 将字符串
改成日期
。但是,你可能还会对列的数据类型做出其他更改。你可以在此处看到其他例子。
![](https://img.haomeiwen.com/i730751/d9ac8daff9d7d7d5.png)
- 使用
::
进行转型,使之成为真正的日期
![](https://img.haomeiwen.com/i730751/7b43c39e35b5e8a9.png)
在此示例中,除了 CAST(date_column AS DATE) 之外,你可以使用 date_column::DATE。
![](https://img.haomeiwen.com/i730751/26ca8cacb3bdc28c.png)
提示
在这节课演示的大部分函数都特定于字符串,它们不适用于日期、整数或浮点数。但是,使用这些函数将自动将数据转换为相应的类型。
LEFT、RIGHT 和 TRIM 都仅用来选择特定的字符串元素,但是使用它们选择数字或日期元素,系统会将它们处理为字符串。虽然我们没有明确地在这节课介绍 TRIM,但是它可以用来删掉字符串开头和末尾的字符,这样就可以删掉一行开头或末尾的空格,从 Excel 或其他存储系统转移过来的数据经常就需要这么处理。
这些函数有很多变体,还有这节课没介绍的其他几个字符串函数。 不同的数据库使用的这些函数有所不同,如果你连接的是私有数据库,一定要查看相应的数据库语法。Postgres literature 中包含了大量相关的函数。
练习
![](https://img.haomeiwen.com/i730751/8fd308ba4c80aa0d.png)
可以借助函数SUBSTR(str,pos,len)
就是从pos开始的位置,截取len个字符(空白也算字符)。
SELECT *
FROM sf_crime_data
LIMIT 10;
yyyy-mm-dd
- date 列的格式是 mm/dd/yyyy,日期末尾的时间也不正确。
SELECT date orig_date, (SUBSTR(date, 7, 4) || '-' || LEFT(date, 2) || '-' || SUBSTR(date, 4, 2)) new_date
FROM sf_crime_data;
注意,可以像之前的课程中一样,使用 DATE_TRUNC 和 DATE_PART 处理这一新的日期。
SELECT date orig_date, (SUBSTR(date, 7, 4) || '-' || LEFT(date, 2) || '-' || SUBSTR(date, 4, 2))::DATE new_date
FROM sf_crime_data;
COALESCE折叠函数
有时候最终的数据集会有一些空值NULL,但是往往我们希望其输出的是实际值,比如下图,我们希望将空值直接标记为no POC,这样结果比较容易理解,那么这个时候,可以用COALESCE替换空值。
![](https://img.haomeiwen.com/i730751/c24f08a4726cf0ea.png)
使用数字时,如果希望将空值NULL置为0,则需要频繁执行该操作。
![](https://img.haomeiwen.com/i730751/8c65e98bff0031a7.png)
此外,当执行带有一些不匹配的行的外部JOIN时,我们可能希望在这些不匹配的行显示除了空值以外的内容。当一个函数(比如COUNT、AVERAGE)不将NULL作为零值处理时,这个操作才更能体现出它的价值来。
我们可以将那个CAOLLESCE函数包含在COUNT函数之中,同时对照一下无coalesce的primary POC行。运行一下:
![](https://img.haomeiwen.com/i730751/e78f3b20499e9f3b.png)
这里的竟然多出了9个结果来,
通常,COALESCE 返回的是每行的第一个非 NULL 值。因此如果是在此示例中,行中的值是 NULL,上述解决方案使用了 no_poc。我们的数据集没有 NULL 值,因此你将在下个页面通过另一个示例来学习 COALESCE 函数。
还有其他几个函数的作用比较相似。你可以在此处详细了解这些函数。你还可以在此处查看这节课介绍的很多函数。
练习
![](https://img.haomeiwen.com/i730751/f312c1cc7374971e.png)
![](https://img.haomeiwen.com/i730751/3ff8cd1746723dbd.png)
COALESCE 解决方案
SELECT *
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
这是一个左JOIN,因此会出现accounts里面有的项匹配不到order的情况不显示,这是什么原因造成的呢?我不知道。
结果如下:
![](https://img.haomeiwen.com/i730751/591af9fca27925d5.png)
SELECT COALESCE(a.id, a.id) filled_id,
a.name,
a.website,
a.lat,
a.long,
a.primary_poc,
a.sales_rep_id, o.*
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
SELECT COALESCE(a.id, a.id) filled_id,
a.name,
a.website,
a.lat,
a.long,
a.primary_poc,
a.sales_rep_id,
COALESCE(o.account_id, a.id) account_id,
o.occurred_at,
o.standard_qty,
o.gloss_qty,
o.poster_qty,
o.total,
o.standard_amt_usd,
o.gloss_amt_usd,
o.poster_amt_usd,
o.total_amt_usd
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
SELECT COALESCE(a.id, a.id) filled_id,
a.name,
a.website,
a.lat,
a.long,
a.primary_poc,
a.sales_rep_id,
COALESCE(o.account_id, a.id) account_id,
o.occurred_at,
COALESCE(o.standard_qty, 0) standard_qty,
COALESCE(o.gloss_qty,0) gloss_qty,
COALESCE(o.poster_qty,0) poster_qty,
COALESCE(o.total,0) total,
COALESCE(o.standard_amt_usd,0) standard_amt_usd,
COALESCE(o.gloss_amt_usd,0) gloss_amt_usd,
COALESCE(o.poster_amt_usd,0) poster_amt_usd,
COALESCE(o.total_amt_usd,0) total_amt_usd
FROM accounts a
LEFT JOIN orders o
ON a.id = o.account_id
WHERE o.total IS NULL;
网友评论