什么是数据清洗
数据清洗是指在数据处理过程中对原始数据进行筛选、转换和修正，以确保数据的准确性、一致性和完整性的过程。它是数据预处理的一部分，旨在处理和纠正可能存在的错误、缺失值、异常值和不一致性等数据质量问题。
为什么要数据清洗
Excel在数据采集场景中非常常用。作为一款电子表格软件，它提供了丰富的功能和易用的界面，使其成为大部分人首选的数据采集工具之一。
而在数据采集的过程中，因为采集渠道多样，数据格式也多种多样，从而会出现部分数据的丢失和不准确的情况，因此为了处理掉这些 “垃圾”数据，需要对数据进行清洗。
哪些数据需要进行清洗
通常在这几种情况下需要进行数据清洗。
1.缺失数据处理：数据在采集或迁移的过程中，出现数据的遗漏。
2.错误数据判断：数据在采集或迁移的过程中与原数据不一致。
3.重复数据处理：一条数据重复出现多次。
4.数据格式转换：数据在采集或迁移的过程中出现了乱码。
数据清洗都需要做些什么
下面让我们看一下数据清洗都会涉及的处理步骤：
- 分析需求：通过对数据原本的格式，特征进行分析，规划数据清洗的业务规则及需求。
- 打开文件：把Excel文件打开，通常这一步需要依赖Excel组件库，比如使用POI，GcExcel，EasyExcel等。
- 读取数据：通过Excel库中的API，读取需要操作的数据，这里比较一下三个产品的特点：
GcExcel提供了IRange(区域）的概念，可以通过API快速的读取有数据的区域。POI和EasyExcel（POJO注解）则需要遍历每一个单元格。
根据业务需求，可以选择使用API，也可以选择遍历所有单元格。
- 数据清洗：根据需求，结合Excel库的API，进行数据清洗。如：用默认值填写缺失数据的单元格，删除整个空行，删除重复数据，把不符合范围的数据删除掉，或者把日期数字的格式统一起来，等等。
- 数据持续化：把处理好的数据回存至Excel文件，或者保存在数据库中或者CSV文件中。
如何使用GcExcel实现数据清洗
GcExcel有IRange的API，可以让数据清洗时代码写的更简单，因此下面我们选择用GcExcel的代码为例解决上面提到的几个场景。
基于IRange，GcExcel提供一些快速查找的API，如下（在文件中查找特殊单元格）：
Workbook workbook = new Workbook();
workbook.open("data.xlsx");
IWorksheet sheet = workbook.getActiveSheet();
//寻找sheet中，使用到的所有单元格
IRange usedRange = sheet.getUsedRange();
//寻找所有的公式单元格
IRange allFormulas = sheet.getCells().specialCells(SpecialCellType.Formulas);
//寻找所有的常量单元格
IRange allConstants = sheet.getCells().specialCells(SpecialCellType.Constants);
虽然GcExcel提供了API，但数据清洗时，也可能有需求需要遍历，下面是GcExcel遍历单元格的代码，后面我们就有可能会用到。
public void FetchCellBasedOnRange(IRange area) {
for (int column = 0; column < area.getColumns().getCount(); column++) {
for (int row = 0; row < area.getRows().getCount(); row++) {
IRange cell = area.get(row, column);
//获取单元格的值
Object val = cell.getValue();
}
}
}
场景一：缺失数据处理
假如有一个Excel的数据，现在蓝色的格子是空的，我们需要对不同列下的蓝色格子做不同的处理，例如姓名的空格子替换为匿名，年龄替换成-1，身份证号填写N/A，住址填写为未知。
代码如下：
public void replaceBlankCell() {
Workbook workbook = new Workbook();
workbook.open("resources/BlankCells.xlsx");
IWorksheet sheet = workbook.getActiveSheet();
IRange blankRanges = sheet.getCells().specialCells(SpecialCellType.Blanks);
for (IRange area : blankRanges.getAreas()) {
for (int column = 0; column < area.getColumns().getCount(); column++) {
for (int row = 0; row < area.getRows().getCount(); row++) {
IRange cell = area.get(row, column);
Object defaultVal = getDefaultVal(cell.getColumn());
cell.setValue(defaultVal);
}
}
}
workbook.save("Result.xlsx");
}
private Object getDefaultVal(int column) {
switch (column) {
case 1:
return "匿名";
case 2:
return -1;
case 3:
return "N/A";
case 4:
return "未知";
}
return null;
}
要注意的是，sheet.getCells().specialCells(SpecialCellType.Blanks);返回的区域是多个，因此我们需要遍历通过遍历areas来对每一个区域进行遍历。
cell.getColumn()可以获取到当前格子对应到sheet上的第几列，因此获取默认值时使用该方法。
场景二：错误数据判断
错误数据的判断，与缺失数据处理相似，通过制定一些规则找出错误的值，对于错误值可以通过修改背景颜色进行高亮处理，用来提示，进行人工修改。
通常规则可以有两种选择：
- 使用Java直接编写判断逻辑。
- 使用数据校验（Datavalidation）功能，或者条件格式（ConditionFormat）来进行处理。
假如我们有下面一份数据，其中联系电话中有两条是错误的，位数不够，货物ID有两条是错误的，货物ID不能小于0，我们需要把他们找出来。
public void MarkErrorData(){
Workbook workbook = new Workbook();
workbook.open("resources/ErrorData.xlsx");
IWorksheet sheet = workbook.getActiveSheet();
IRange telRange = sheet.getRange("C2:D5");
for (int r=0; r<telRange.getRows().getCount();r++){
IRange cell = telRange.get(r,0);
if(cell.getValue().toString().length() != 11){
cell.getInterior().setColor(Color.GetOrangeRed());
}
}
IFormatCondition condition =
(IFormatCondition) sheet.getRange("D2:D5").getFormatConditions().
add(FormatConditionType.CellValue, FormatConditionOperator.Less, 1, null);
condition.getInterior().setColor(Color.GetOrangeRed());
workbook.save("Result.xlsx");
}
在代码中，我们对C2:C5进行遍历，判断字符串长度，然后对长度不合法的数据进行颜色标记。
而对于货物，设置了条件格式，可以让Excel在打开时，自行标记错误的数据。
场景三：重复数据处理
假如我们有一份数据，其中有一些行数据是完全重复的，我们需要删除这些行，如图所示。
public void RemoveDuplicateData() {
Workbook workbook = new Workbook();
workbook.open("resources/DuplicateRows.xlsx");
IWorksheet sheet = workbook.getActiveSheet();
IRange usedRange = sheet.getUsedRange();
HashSet<String> set = new HashSet<>();
Stack<IRange> deleteRows = new Stack<>();
for (int r = 1; r < usedRange.getRows().getCount(); r++) {
IRange row = usedRange.getRows().get(r);
StringBuilder rowKey = new StringBuilder();
for (int c = 0; c < row.getColumns().getCount(); c++) {
rowKey.append(usedRange.get(r, c).getValue().toString());
}
if (set.contains(rowKey.toString())) {
deleteRows.push(row);
} else {
set.add(rowKey.toString());
}
}
while (!deleteRows.isEmpty()) {
deleteRows.pop().delete();
}
workbook.save("Result.xlsx");
}
可以看到，重复的行被移除掉了。代码中用到了哈希set和栈，其中我们用哈希set来查找重复的行。
另外使用栈来记录需要被删除的行，这里特地用了栈，而没有使用队列，数组或者ArraryList的原因是，GcExcel在删除一行时，会让这行下面的数据上移，这样我们之前记录的行就会便宜，导致删除错误的行。
简而言之，我们需要从下向上删除，来避免行位移导致删错的问题。
场景四：数据格式转换
例如我们有一些日期数据，或者货币数据，在数据采集时数据格式不同，我们需要分别统一订单日期，金额的格式。
代码如下：
public void unifyFormat() {
Workbook workbook = new Workbook();
workbook.open("resources/DifferentFormat.xlsx");
IWorksheet sheet = workbook.getActiveSheet();
IRange usedRange = sheet.getUsedRange();
for (int row = 1; row < usedRange.getRows().getCount(); row++) {
IRange dateCell = usedRange.get(row, 1);
IRange priceCell = usedRange.get(row, 2);
dateCell.setValue(parseDate(dateCell.getValue()));
dateCell.setNumberFormat("yyyy年MM月dd日");
priceCell.setValue(parsePrice(priceCell.getValue()));
priceCell.setNumberFormat("¥0.00");
}
sheet.getRange("B1").setNumberFormat("");
workbook.save("Result.xlsx");
}
private Double parsePrice(Object value) {
if (value == null)
return null;
String val = value.toString();
if (val.startsWith("$") || val.startsWith("¥")) {
val = val.substring(1);
}
return Double.parseDouble(val);
}
private LocalDateTime parseDate(Object value) {
if (value == null)
return null;
if (value instanceof LocalDateTime) {
return (LocalDateTime) value;
}
DateTimeFormatter[] formatters = {
DateTimeFormatter.ofPattern("yyyy/MM/dd"),
DateTimeFormatter.ofPattern("MM-dd-yyyy"),
DateTimeFormatter.ofPattern("yyyy年MM月dd日"),
DateTimeFormatter.ofPattern("yyyy.MM.dd")
};
LocalDate datetime = null;
for (DateTimeFormatter formatter : formatters) {
try {
datetime = LocalDate.parse(value.toString(), formatter);
break;
} catch (DateTimeParseException e) {
e.printStackTrace();
}
}
assert datetime != null;
return datetime.atStartOfDay();
}
需要注意的是在处理日期和金额时，由于value的类型不太一致，需要写特定的方法来进行处理。
扩展链接：