第1章 數據預處理概述　1
1.1　數據預處理的背景與目的　1
1.1.1　數據預處理的背景：數據質量　1
1.1.2　數據預處理的目的　3
1.2　數據預處理的流程　3
1.2.1　數據清理　3
1.2.2　數據集成　5
1.2.3　數據變換　6
1.2.4　數據歸約　8
1.2.5　數據預處理的注意事項　12
1.3　數據預處理的工具　12
第2章　Kettle工具的初步使用　14
2.1　Kettle的安裝　14
2.1.1　Java的安裝　14
2.1.2　Kettle的下載安裝與Spoon的啟動　19
2.2　Kettle的使用　19
2.2.1　轉換的基本概念　19
2.2.2　第一個轉換案例　21
第3章　基于Kettle的數據導入與導出　42
3.1　基于文件的數據導入與導出　42
3.1.1　文本文件的導入與導出　42
3.1.2　文本文件的導入與導出案例　43
3.1.3　Excel文件的導入與導出　49
3.1.4　Excel文件的導入與導出案例　50
3.1.5　XML文件的導入與導出　57
3.1.6　XML文件的導入與導出案例　57
3.1.7　JSON文件的導入與導出　62
3.1.8　JSON文件的導入與導出案例　62
3.2　基于數據庫的數據導入與導出　66
3.2.1　關系型數據庫的數據導入與導出　67
3.2.2　MySQL數據庫的數據導入與導出案例　69
3.3　基于Web的數據導入與導出　75
3.3.1　HTML數據的導入與導出　76
3.3.2　HTML數據的導入與導出案例　76
3.3.3　基于HTTP GET請求的導入與導出　80
3.3.4　基于HTTP GET請求的導入與導出案例　80
3.4　基于CDC變更數據的導入與導出　83
3.4.1　基于源數據的CDC　83
3.4.2　基于源數據的CDC案例　84
3.4.3　基于觸發器的CDC　95
3.4.4　基于觸發器的CDC案例　95
3.4.5　基于快照的CDC　105
3.4.6　基于快照的CDC案例　105
3.4.7　基于日志的CDC　109
3.4.8　基于日志的CDC案例　109
第4章　數據清理　112
4.1　數據清理概述　112
4.1.1　常用的數據清理步驟　112
4.1.2　字符串清理　113
4.1.3　字段清理　118
4.1.4　使用參照表清理數據　125
4.1.5　數據校驗　130
4.2　數據排重　134
4.2.1　如何識別重復數據　135
4.2.2　去除完全重復數據　135
4.2.3　去除不完全重復數據　136
4.3　使用腳本組件進行數據清理　140
4.3.1　使用JavaScript代碼組件清理數據　140
4.3.2　使用正則表達式組件清理數據　142
4.3.3　使用其他腳本組件清理數據　145
第5章　Kettle作業設計　150
5.1　作業的概念及組成　151
5.1.1　作業項　151
5.1.2　跳　152
5.1.3　注釋　152
5.2　作業的執行方式　152
5.2.1　回溯　152
5.2.2　多路徑和回溯　153
5.2.3　并行執行　153
5.3　作業的創建及常用作業項　154
5.3.1　創建作業　155
5.3.2　“START”作業項　155
5.3.3　“作業”作業項　156
5.3.4　“轉換”作業項　158
5.4　變量　158
5.4.1　定義變量　159
5.4.2　使用變量　160
5.5　監控　161
5.5.1　日志　161
5.5.2　郵件通知　162
5.6　命令行啟動　163
5.7　作業實驗　165
第6章　構建數據倉庫　193
6.1　構建維度表　193
6.1.1　管理各種鍵　193
6.1.2　維度表的加載　197
6.1.3　緩慢變化維度　198
6.2　構建事實表　203
6.2.1　批量加載　203
6.2.2　查找維度　206
6.2.3　事實表的處理　207
第7章　基于Python的數據導入與導出　216
7.1　Pandas　216
7.1.1　Series　216
7.1.2　DataFrame　219
7.2　文本文件的導入與導出　220
7.2.1　導入CSV文件　221
7.2.2　導出CSV文件　223
7.2.3　JSON格式數據的導入與導出　224
7.3　二進制文件的導入與導出　225
7.4　數據庫的導入與導出　226
7.4.1　關系型數據庫的導入與導出　226
7.4.2　非關系型數據庫的導入與導出　227
第8章　基于Python的數據整理　231
8.1　合并多個數據集　231
8.1.1　使用key進行DataFrame合并　231
8.1.2　使用index進行DataFrame合并　234
8.1.3　沿著橫軸或縱軸串接　235
8.2　數據重塑　237
8.2.1　多級索引數據的重塑　238
8.2.2　應用pivot方法重塑數據　239
8.3　數據轉換　242
8.3.1　移除重復數據　242
8.3.2　利用函數或映射進行數據轉換　243
8.3.3　值轉換　243
8.3.4　重命名軸索引　244
8.3.5　離散化和面元劃分　245
8.3.6　檢測或過濾異常值　247
8.3.7　排列和隨機采樣　248
8.3.8　計算指標/啞變量　249
參考文獻　253