vlambda博客
学习文章列表

关于数据仓库数据质量的问题处理

注释:这篇文章也是来自于某一个时间,拿到今天在主数据管理、在数据质量实施中还是有很多方法是完全通用的, 不管是概念如何变,很多基本的是通用的。 


ETL 是数据平台的最重要的基础,良好的 ETL 从业务系统中抽取数据,转换数据质量, 保证数据一致性,这样才能够保证各个独立的不同的数据源能够集成到一起,最终只有这样才能 真正达到决策支持的目的。

数据清洗是 ETL 系统的一个最重要的步骤,数据的抽取和加载也是很必要的,但是他们

只负责数据的迁移和重组格式。只有数据清洗才能真正改变数据,并且为了目标提供高质量的数 据保证。

高质量数据意味着:


  •   正确的。数据的值和描述一定是真实的和业务系统保持一致的。

  •   明确的。数据的值和描述有且只能有一个意思

  •   一致的。数据的值和描述在全局中也即数据仓库中都表示一个意思

  •   完整的。这有两个方面。首先确保每一条数据都必须是有意义的(不能为 NULL 值),其

    次要求我们在处理过程中不能有任何信息的“损失”

通常情况下,当 BI/DW 项目结束时,用户总是会将 BI 报表和 OLTP 报表或者明细报表进行比 较,以检验数据仓库报表的准确性。一旦用户发现它们之间是不一致的或者误差超过一定比率, 他们往往就会认为 BI 项目很失败。

没有绝对的准确,但是一定要知道为什么不准确,这是数据平台的一个基本要求。数据平台的数据来自于多个数据源,所以数据的一致性很难得到保证,既然没有绝对的准确,

那么就需要制定一个标准。因此我们建议和客户达成一种相对标准,定义一个可以接受的误差范 围。在这个前提下,我们找到误差的原因,并给出分析报告,来提高客户的满意度和对数据仓库 项目的信心,从而确保数据仓库项目成功的机率。

根源和选择

数据质量存在问题的根本原因在于数据源,保证数据质量是很困难的事情。这是事实,但是那一 些潜在的问题会带来数据质量问题呢?可以归为以下几类:

1. 数据格式问题,l 例如数据缺失,超出数据范围,无效数据格式等等。
2. 数据一致性问题,处于数据库性能考虑,有时候可能会有意的去掉一些外间或者检查约

束。
3. 业务逻辑问题,这个很难说正确还是错误,通常是由于数据库设计得不够严格或者谨慎。

构造数据系统时,完全理解业务系统的业务逻辑和整体情况是不可能的。我们不能完全去研 究那些详细的设计文档,同时后来的很多需求变更也并不完全放映到文档上来,因此需要花费大 量的时间去定位和分析其中的原因和变化。用户要求在进行 ETL 之前必须了解所有的业务逻辑和

规则,显然也是不现实的。个人认为我们只需要了解和处理那些可能遭遇问题的数据。我们必须 决定这些数据是拒绝呢还是处理。假如数据质量得不到保证的话,在后续的处理过程中,这样的 错误将逐渐被放大。

正是因为数据质量问题贯穿于项目的整个生命周期,而且不能避免,我们必须面对而且给出解决 办法,尽量把影响减小到最少。

通常情况下,当我们遇到错误数据,ETL 一般提供以下 4 种解决办法:

1. 没有任何处理的通过记录

2. 通过记录,打上错误标记

3. 拒绝记录

4. 停止 ETL 任务

下面就这几种情况进行一下分析:

首先选项 1 明显不能保证数据质量,并将最终影响报表质量。

其次选项 3 也不能保证数据完整性,因为数据将发生遗弃,也将会影响报表质量。

再次选项 4 会影响 ETL 处理,导致数据仓库不能正常运行下去。

所以,最常见的处理方式就是选项 2,首先保证这些记录顺利通过,然后记录一些错误标志,并 通过报表反映出来。

这样做有以下四种好处:

1. 通过特殊处理确保了数据的完整性
2. 反映了数据仓库的数据源数据质量
3. 对数据质量可以有一个比较准确的度量

4. 确保了数据仓库的顺利实施和任务的正常调度

数据质量应该尽量确保在 ETL 环节中进行,因为每一点的错误都会导致后续处理的无限放大, 同时数据仓库的处理是线性进行的,当发现错误时,很难回过头来对数据进行重新的处理。因此 尽量把错误和数据质量问题消除在靠前的位置。

可测量性

1. 维度:NULL

2. 维度:外键丢失

3. 度量值:超出范围

4. 业务逻辑和录入错误

数据清洗通常根据不同的情况进行处理,在这里没有办法一一列举,只能对常用的几种 情况进行分析处理。

假如维度数据为空,在数据处理时可能会导致错误的处理,通过 SQL 处理时事实表中可能会丢 失这部分数据。

前者提到处于数据库性能考虑,业务系统有时候会放弃外间约束或者检查约束,但这样数据的完 整性有时无法得到保证,当数据被修改或者删除的时候,这部分数据可能会变成孤儿数据。

假如没有约束和检查规则,原始数据表中的度量值可能为空或者超出预想的范围,当我们处理和 计算这部分数据的时候,也会导致错误的结果。

很显然,这部分错误,我们基本上是无能为力的,缺乏有效的验证和纠错,实际上数据仓库的流 水线作业形式和巨大的数据量,让我们对这些数据的校验变得不太可能了。我们只能祈求业务系 统录入人员的责任心了。

处理
实际上对于
NULL 值,缺乏一致性,数据范围的处理,可以通过简单的语句来完成。Example:

-- Create a original table, only include ID and two measure fields.

-- here ID is one of attribute columns only, so it can be Null values. -- two measure fields have no constraint or check rule, they may be

-- NULL or out of Scope, on the assumption that the scope value of -- measure1 and measure2 field is between 0 and 100.
Create table table_original

(
ID INT, Measure1 LONG, Measure2 LONG )

-- Create a dimension table, only include ID and Name fields. CREATE TABLE table_dimension
(
ID INT CONSTRAINT Pri_Table_Dimension PRIMARY KEY, Name VARCHAR2 (20)

)

-- Create a fact table, Only include ID and two Measure. It will save -- compute or count result.
Create table table_fact
(

ID INT NOT NULL, Measure1 LONG, Measure2 LONG
)

--Insert a sample data into dimension table and original table. INSERT INTO table_dimension VALUES (1,'a');
INSERT INTO table_dimension VALUES (2,'b');
COMMIT;

INSERT INTO table_original VALUES (1,1,1); INSERT INTO table_original VALUES (2,101,2);

INSERT INTO table_original VALUES (3,3,3); INSERT INTO table_original VALUES (null,4,4); COMMIT;

--Common OLTP Report Usage, Query SQL is like
SELECT A.ID ID,SUM(A.Measure1) Measure1,SUM(A.Measure2) Measure2 FROM table_original A,table_dimension B
WHERE A.ID = B.ID
GROUP BY A.ID;
--The Result is below:
ID Measure1 Measure2

111
2 101 2

So we can get the count value of 1 and 2 in ID field only, it means two Records are lost, in fact the Measure1 value of ID 2 is out of scope.

--If in OLAP report, we will make Data Clean

--If ID is NULL, we will use -1 replace it
--If ID is not exist in original table, we will use -2 replace it
--We also need check the validity and scope of measures field, we will
--give a default value or average value, it depend on our need.
--So query SQL is like
SELECT -- A.ID,B.ID, -- the transformed field names ID DECODE(NVL(A.ID,-2),-2,-2, DECODE(NVL(B.ID,-1),-1,-1,B.ID)) AS ID, SUM(CASE A.Measure1>0 AND A.Measure1<100 THEN Measure1 ELSE 0 END ) Measure1,
SUM(CASE A.Measure2>0 AND A.Measure2<100 THEN Measure2 ELSE 0 END ) Measure2,

FROM table_original A,table_dimension B
WHERE A.ID = B.ID(+)
GROUP BY DECODE(NVL(B.ID,-2),-2,-2, DECODE(NVL(B.ID,-1),-1,-1,B.ID))

So we will get the result below

Record
1 111 2 202 3 -233 4 -144

加入校验过于复杂,我们也可以求助用户自定义函数或者存储过程进行数据清洗。

数据质量的可度量性

A.ID

B.ID

ID

Measure1

Measure2

1

1

2

2

3

NULL

NULL

NULL

如果用户对报表质量提出质疑,我们可以比较容易的给出错误度量报表,只需要提供各个维度中

-1-2 的数据即可。假如方便的话,还可以提供相关图表。当然如果在报表仍然存在问题,我们只能求助于 SQL,通过排除法,来完成报表的质量验证工作。

--First count the record number of original table.
SELECT COUNT(*)
FROM table_original A
--Relate with the first dimension table, and capture the record number. SELECT COUNT(*)

FROM table_original A,table_dimension1 B

WHERE A.ID = B.ID;
--Relate with the second and more dimension table, and capture the

--record number, to verify the result.
SELECT COUNT(*)
FROM table_original A,table_dimension1 B, table_dimension2 C

WHERE A.ID = B.ID AND A.ID = C.ID;