数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。
我们要按照一定的规则把“脏数据”“洗掉”，这就是数据清洗。
不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。
数据清洗是与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。
残缺数据
这一类数据主要是一些应该有的信息缺失，如供应商的名称、分公司的名称、客户的区域信息缺失、业务系统中主表与明细表不能匹配等。
对于这一类数据过滤出来，按缺失的内容分别写入不同Excel文件向客户提交，要求在规定的时间内补全。补全后才写入数据仓库。
错误数据
这一类错误产生的原因是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等。
这一类数据也要分类，对于类似于全角字符、数据前后有不可见字符的问题，只能通过写SQL语句的方式找出来，然后要求客户在业务系统修正之后抽取。
日期格式不正确的或者是日期越界的这一类错误会导致ETL运行失败，这一类错误需要去业务系统数据库用SQL的方式挑出来，交给业务主管部门要求限期修正，修正之后再抽取。
重复数据
对于这一类数据——特别是维表中会出现这种情况——将重复数据记录的所有字段导出来，让客户确认并整理。
对于是否过滤，是否修正一般要求客户确认，对于过滤掉的数据，写入Excel文件或者将过滤数据写入数据表，在ETL开发的初期可以每天向业务单位发送过滤数据的邮件，促使他们尽快地修正错误,同时也可以作为将来验证数据的依据。
数据清洗需要注意的是不要将有用的数据过滤掉，对于每个过滤规则认真进行验证，并要用户确认。
完整性
单条数据是否存在空值，统计的字段是否完善；
全面性
观赏某一列的全部数值，我们可以通过比较最大值，最小值，平均值，数据定义等来判断数据是否全面；
合法性
数值的类型、内容、大小是否符合我们设定时候的预想。例如：人类年龄超过1000岁，这个数据就是不合法的。
唯一性
数据是否重复记录，例如：一个人的数据被重复记录多次。我们清理数据的标准是使得数据标准，干净，连续。
大数据行业应用广泛，大数据职业的相关人才匮乏，人才缺口非常大。
职业选择多达几十种，要升职加薪很容易！可以说，未来的大数据工作，就意味着高工资、稳定、广泛的职业使用度、优越感……
