数据整理实践指南
作 者： [美] 麦卡伦（Q. Ethan McCallum） 著；魏秀丽，李妹芳 译
出版时间： 2016
内容简介
随着数据科学的热门，数据的优化、整理以及如何处理不良数据成为人们关注的重点。本书通过处理不良数据，进行数据清理的案例，向读者展示了处理数据的方法。本书共有19章，从6部分向读者展示了使用和清理不良数据背后的理论和实践。第1部分是Grubby的动手实践指南，它向读者介绍了驾驭、提取数据的方法，如何处理文本数据中的数据以及Web开发中碰到的数据问题。第2部分是让人充满意外的数据，它向读者介绍了数据也会“撒谎”。第3部分是方法，它向读者介绍了处理不良数据的一些方法。第4部分是数据存储和基础设施，它向读者介绍了如何存储数据。第5部分是数据的商业化，它向读者介绍了如何避免数据处理的一些误差。第6部分是数据策略，它向读者介绍了如何追踪数据、评估数据质量以及构建数据质量相关平台等。本书适合数据科学家、数据处理和整理相关开发人员阅读。也适合想要进入数据处理领域的读者阅读。
目录
第1章 从头说起：什么是噪音数据\t1
第2章 是我的问题还是数据的问题\t4
2．1 理解数据结构\t5
2．2 校验\t8
2．2．1 字段校验\t8
2．2．2 值校验\t9
2．2．3 简单统计的物理解释\t10
2．3 可视化\t11
2．3．1 关键词竞价排名示例\t13
2．3．2 搜索来源示例\t18
2．3．3 推荐分析\t19
2．3．4 时间序列数据\t22
2．4 小结\t27
第3章 数据是给人看的不是给机器看的\t28
3．1 数据\t28
3．1．1 问题：数据是给人看的\t29
3．1．2 对数据的安排\t29
3．1．3 数据分散在多个文件中\t32
3．2 解决方案：编写代码\t34
3．2．1 从糟糕的数据格式中读取数据\t34
3．2．2 从多个文件中读取数据\t36
3．3 附言\t42
3．4 其他格式\t43
3．5 小结\t45
第4章 纯文本中潜在的噪音数据\t46
4．1 使用哪种纯文本编码？\t46
4．2 猜测文本编码格式\t50
4．3 对文本规范化处理\t53
4．4 问题：在纯文本中掺入了特定应用字符\t55
4．5 通过Python处理文本\t59
4．6 实践练习题\t60
第5章 重组Web数据\t62
5．1 你能获得数据吗\t63
5．1．1 一般工作流程示例\t64
5．1．2 Robots 协议\t65
5．1．3 识别数据组织模式\t66
5．1．4 存储离线版本\t68
5．1．5 网页抓取信息\t69
5．2 真正的困难\t73
5．2．1 下载原始内容\t73
5．2．2 表单、对话框和新建窗口\t73
5．2．3 Flash\t74
5．3 不利情况的解决办法\t75
5．4 小结\t75
第6章 检测撒谎者以及相互矛盾网上评论的困惑\t76
6．1 Weotta公司\t76
6．2 获得评论\t77
6．3 情感分类\t77
6．4 极化语言\t78
6．5 创建语料库\t80
6．6 训练分类器\t81
6．7 分类器验证\t82
6．8 用数据设计\t84
6．9 经验教训\t84
6．10 小结\t85
6．11 信息资源\t86
第7章 请噪音数据站出来\t87
7．1 实例1：在制造业中减少缺陷\t87
7．2 实例2：谁打来的电话\t90
7．3 实例3：当“典型的”不等于“平均的”\t92
7．4 经验总结\t95
7．5 到工厂参观能成为试验的一部分吗\t96
第8章 血、汗和尿\t97
8．1 书呆子戏剧性工作交换\t97
8．2 化学家如何整理数字\t98
8．3 数据库都是我们的\t99
8．4 仔细检查\t102
8．5 生命短暂的漂亮代码库\t103
8．6 改变化学家（和其他电子表单滥用者）\t104
8．7 传递线（tl）和数据记录器（dr）\t105
第9章 当数据与现实不匹配\t107
9．1 到底是谁的报价机\t108
9．2 股票分割、股利和调整\t110
9．3 糟糕的现实\t112
9．4 小结\t114
第10章 偏差和误差的来源\t115
10．1 估算上的偏差：一般性的问题\t117
10．2 报告上的误差：一般性的问题\t118
10．3 其他偏差来源\t121
10．3．1 顶层编码/底部编码\t121
10．3．2 Seam偏差\t122
10．3．3 代理报告\t123
10．3．4 样本选择\t123
10．4 结论\t124
参考文献\t124
第11章 不要把完美和正确对立起来：噪音数据真是噪音吗\t128
11．1 回忆学校生活\t128
11．2 向着专业领域前进\t129
11．2．1 政府工作\t130
11．2．2 政府数据非常真实\t131
11．3 应用实例—服务电话\t132
11．4 继续前进\t133
11．5 经验与未来展望\t134
第12章 数据库攻击：什么时候使用文件\t135
12．1 历史\t135
12．2 建立我的工具箱\t136
12．3 数据存储—我的路障\t136
12．4 将文件作为数据存储器\t137
12．4．1 简单的文件\t138
12．4．2 文件处理一切\t138
12．4．3 文件可包含任何数据形式\t138
12．4．4 局部数据破坏\t139
12．4．5 文件拥有很棒的工具\t139
12．4．6 没有安装税\t139
12．5 文件的概念\t140
12．5．1 编码\t140
12．5．2 文本文件\t140
12．5．3 二进制数据\t140
12．5．4 内存映射文件\t140
12．5．5 文件格式\t140
12．5．6 分隔符\t142
12．6 文件支持的网络框架\t143
12．6．1 动机\t143
12．6．2 实现\t145
12．7 反馈\t145
第13章 卧库表，隐网络\t146
13．1 成本分配模型\t147
13．2 组合展开微妙的作用\t150
13．3 隐藏网络的浮现\t151
13．4 存储图表\t151
13．5 利用Gremlin遍历图表\t152
13．6 在网络属性里寻找价值\t154
13．7 从多重数据模型角度考虑并使用正确的工具\t155
13．8 致谢\t155
第14章 云计算神话\t156
14．1 关于云的介绍\t156
14．2 何谓“云”\t156
14．3 云和大数据\t157
14．4 Fred的故事\t157
14．4．1 起初一切都好\t157
14．4．2 基础结构全部放在云端\t158
14．4．3 随着规模增长，最初的扩展很轻松\t158
14．4．4 麻烦出现了\t158
14．4．5 需要提高性能\t158
14．4．6 关键要提高RAID 10性能\t158
14．4．7 重要的局部运行中断引发长期停机\t159
14．4．8 有代价的RAID 10\t159
14．4．9 数据规模增大\t160
14．4．10 地理冗余成为首选\t160
14．4．11 水平扩展并不像想像得那么简单\t160
14．4．12 成本显著增长\t160
14．5 Fred的荒唐事\t161
14．5．1 神话1：云是所有基础设施组件的解决方案\t161
该神话与Fred故事的联系\t161
14．5．2 神话2：云可以节约成本\t161
该神话与Fred的故事的联系\t162
14．5．3 神话3：通过RAID可以将cloud 10的性能提高至可接受的水平\t163
该神话与Fred故事的联系\t163
14．5．4 神话4：云计算使水平扩展轻松\t163
该神话与Fred故事的联系\t164
14．6 结论和推荐\t164
第15章 数据科学的阴暗面\t165
15．1 避开这些陷阱\t165
15．1．1 对数据一无所知\t166
15．1．2 应该只为数据科学家提供一种工具来解决所有问题\t167
15．1．3 应该为了分析而分析\t169
15．1．4 应该学会分享\t169
15．1．5 应该期望数据科学家无所不能\t170
15．2 数据学家在机构中的位置\t170
15．3 最后的想法\t171
第16章 如何雇佣机器学习专家\t172
16．1 确定问题\t172
16．2 模型测试\t173
16．3 创建训练集\t174
16．4 选择特征\t175
16．5 数据编码\t176
16．6 训练集、测试集和解决方案集\t176
16．7 问题描述\t177
16．8 回答问题\t178
16．9 整合解决方案\t178
16．10 小结\t179
第17章 数据的可追踪性\t180
17．1 原因\t180
17．2 个人经验\t181
17．2．1 快照\t181
17．2．2 保存数据源\t181
17．2．3 衡量数据源\t182
17．2．4 逆向恢复数据\t182
17．2．5 分阶段处理数据并保持各阶段的独立性\t182
17．2．6 识别根源\t183
17．2．7 寻找要完善的区域\t183
17．3 不变性：从函数程序设计借来的理念\t183
17．4 案例\t184
17．4．1 网络爬虫\t184
17．4．2 改变\t185
17．4．3 聚类\t185
17．4．4 普及度\t185
17．5 小结\t186
第18章 社交媒体：是可抹去的印记吗\t187
18．1 社交媒体：到底是谁的数据\t188
18．2 管控\t188
18．3 商业重组\t190
18．4 对沟通和表达的期望\t190
18．5 新的最终用户期望的技术含义\t192
18．6 这个行业是做什么的\t194
18．6．1 验证API\t195
18．6．2 更新通知API\t195
18．7 最终用户做什么\t195
18．8 我们怎样一起工作\t196
第19章 揭秘数据质量分析：了解什么时候数据足够优质\t197
19．1 框架介绍：数据质量分析的4个C\t198
19．1．1 完整性\t199
19．1．2 一致性\t201
19．1．3 准确性\t203
19．1．4 可解释性\t205
19．2 结论\t208
