作者：Vinod Kumar

翻译：季洋

校对：王雨桐

本文约1600字，建议阅读8分钟。

本文主要讲述关于数据质量和验证检查的实例，以及运用Apache Spark和Scala采用编码来确保数据质量是多么容易。

大数据和机器学习都是和数据打交道。因此，在系统中保持数据的正确性就非常重要。如果数据不准确，不仅仅会降低系统的效率，还会得到一些不恰当的观点。通过数据质量和验证是确保数据正确性的重要步骤之一。随着数据量的不断增加，噪声数据也随之而来，每天都要引入新的方法和检验以确保数据的质量。由于数据量巨大，需要考虑的另一件事是如何确保快速处理这些检查和验证；例如，一个系统采用高分布式的方法来遍历每一条进入系统的数据。本文将讲述关于数据质量和验证检查的一些例子，以及在Apache Spark和Scala的帮助下运用程序来确保数据质量是多么简单。

数据准确性：指的是观测结果和真实值或可接受为真的值之间的接近度。

空值: 包含空值（null）的记录。如： male/female/null

特定值: 某公司的ID号。

模式验证：每一批数据必须遵循相同的列名和数据类型。

同列下的值重复（如记录中重复的email）

唯一性检查: 各记录关于某列值是唯一不重复的，这一点和重复性检查类似。

正确性检查：可以使用正则表达式进行检查。例如，我们可以查找包含@的电子邮件id。

数据的普及性：你的数据有多及时？假定每天都有数据进入，随后要检查数据并打上时间戳。

数据的质量和验证检查的条目可以源源不绝，但是基于Spark和Scala的方法的好处是，用较少的代码，可以利用海量的数据达到更多目的。

有些时候，一个系统可能有某些特定的需求，这与谁需要这些数据以及以什么形式数据有关；同时这些数据使用者会对数据提出假设。

数据的可用性： 使用者可能对数据有特定要求，如：

列1的值不等于列2的值列3的值应该等于列1的值加上列2的值列x的值不应该超过x%的时间

然而这些被看作基本的数据验证，还有一些更高级别的检查来确保数据的质量，如：

异常监测：这包括两个主要方面：

比如给定维度，如基于时间的异常。这意味着在任何指定时间范围内（时间片段），记录数不能超过平均值的x%。为了做到这点，运用Spark做法如下：

假定时间片段为1分钟。首先，需要对时间戳列进行过滤和格式化处理，如此时间戳才能以分钟为单位表示出来。这将产生重复，但是这应该不是问题。接下来，运用groupBy，如下： sampledataframe.groupBy("timestamp").count()。算出平均值，同时找出记录数超出均值x%的那些时间片段（如果存在的话）。

排序

记录应该遵循一定的顺序。例如，在一天内，某个消费者的数据记录应该是从产生兴趣开始，点击，加载页面，加入购物车，最后以购买结束。这些可能只是部分记录，但它们应该遵循一定的顺序。为了检查顺序，运用Spark做法如下：

groupBy("ID") – 以序列号分组对每一分组运行排序检查

循环依赖：让我用一个例子来解释这点。

如果从列A到列B中取出两列，记录如下：

如果应用程序要得到家庭关系结构，这会形成一个环状依赖关系。

故障趋势

考虑到每天都有数据进入系统。让我们设想它的行为或接触点数据。为了简单起见，我们将每天的数据称为一‘批’。在每一批数据中，如果我们都会得到一组完全相同的故障，则一定存在跨批次的故障趋势。

如果故障是源于相同的一组email_id(邮箱号为一列字段)，则这可能是自动程式行为的征兆。

数据偏倚：这意味着在图形上数据呈现一个连续的偏差。如：

如果向时间戳上加上30分钟，那么所有的记录都会有这30分钟的隐形偏倚。如此一来，如果预测算法想要使用这些数据，这种偏差将影响结果。

如果用来生成这些数据的算法有学习偏差，那么对一组数据会生成更多的默认值，随后用于其他数据。例如基于购买行为，它会预测出错误的购买者性别。

自动程式行为: 通常，一个自动程式行为如下：

它使用相同的唯一标识符生成记录。像前文提到的同一组email_id。它会在任何特定时间生成网络流量。这是基于时间的异常现象。它生成的记录有固定顺序：跨数据批次的顺序检查。

原文标题：Data Quality and Validation原文链接：

译者简介

季洋，苏州某IT公司技术总监，从业20年，现在主要负责Java项目的方案和管理工作。对大数据、数据挖掘和分析项目跃跃欲试却苦于没有机会和数据。目前正在摸索和学习中，也报了一些线上课程，希望对数据建模的应用场景有进一步的了解。不能成为巨人，只希望可以站在巨人的肩膀上了解数据科学这个有趣的世界。