近年來，大數(shù)據(jù)技術(shù)掀起了計算機領(lǐng)域的一個新浪潮，無論是數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)可視化，還是機器學(xué)習(xí)、人工智能，它們都繞不開“數(shù)據(jù)”這個主題。從統(tǒng)計學(xué)家到軟件開發(fā)人員，再到圖形設(shè)計師，越來越多的人對數(shù)據(jù)科學(xué)產(chǎn)生了興趣，廉價的硬件、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、預(yù)測未來。
　　由于海量數(shù)據(jù)的來源是廣泛的，數(shù)據(jù)類型也是多而繁雜的，因此數(shù)據(jù)中會夾雜著不完整的、重復(fù)的以及錯誤的數(shù)據(jù)，如果直接使用這些原始數(shù)據(jù)，會嚴重影響數(shù)據(jù)決策的效率。因此，對原始數(shù)據(jù)進行有效的清洗是大數(shù)據(jù)分析和應(yīng)用過程中的關(guān)鍵環(huán)節(jié)。
　　本書共分為8章，各章內(nèi)容介紹如下：
　　第1章主要是帶領(lǐng)大家簡單認識數(shù)據(jù)清洗的背景、定義、原理、基本流程、清洗策略以及常見的數(shù)據(jù)清洗方法。通過本章的學(xué)習(xí)，讀者可以對數(shù)據(jù)清洗有基本的認識，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，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常見工具。通過本章的學(xué)習(xí)，讀者可以認識ETL，并熟悉ETL的關(guān)鍵技術(shù)和ETL常見的工具。
　　第3章主要講解數(shù)據(jù)清洗工具Kettle的相關(guān)知識，即Kettle的概述、設(shè)計原則、下載安裝以及基本概念和基本功能。通過本章的學(xué)習(xí)，讀者可以使用Kettle工具對ETL數(shù)據(jù)進行相關(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)庫數(shù)據(jù)的相關(guān)知識。通過本章的學(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)庫中，便于后續(xù)對數(shù)據(jù)進行相關(guān)清洗轉(zhuǎn)換和分析。
　　第5章主要講解數(shù)據(jù)的清洗與檢驗相關(guān)的知識，即數(shù)據(jù)去重、缺失值處理、異常值處理以及數(shù)據(jù)檢驗知識。通過本章的學(xué)習(xí)，讀者可以掌握對重復(fù)數(shù)據(jù)、缺失值數(shù)據(jù)、異常值數(shù)據(jù)的處理，也可以掌握對數(shù)據(jù)進行檢驗的操作。
　　第6章主要講解數(shù)據(jù)轉(zhuǎn)換相關(guān)的知識，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)則計算的知識。通過本章的學(xué)習(xí)，讀者可以掌握數(shù)據(jù)轉(zhuǎn)換操作，實現(xiàn)將企業(yè)中的數(shù)據(jù)進行規(guī)范化處理。