如何在SQL中使用JOIN快速清洗非结构化导入的脏数据?

酷磊大大_2469

酷磊大大_2469

2026-11-19

537人浏览

原创

使用sql join清洗非结构化导入的脏数据,核心思路是建立一张结构化的“标准字典表”,将导入的脏数据通过join关联到该字典表,利用join的匹配特性提取标准化值并过滤无效记录。具体做法是将脏数据表与标准字典表进行left join,筛选出成功匹配的行以获取规范字段,同时利用where条件排除未匹配(null)的脏数据,从而实现快速的数据清洗和规范化。

如何在SQL中使用JOIN快速清洗非结构化导入的脏数据?

如何构建用于匹配的标准化字典表

构建标准化字典表是清洗的基础,需要确保字典表包含所有可能的合法值及其对应的规范ID或名称。通常从历史干净数据中提取唯一值,或者由业务规则定义固定枚举值,形成两列结构:原始模糊值(如去空格后的字符串)和规范值(如标准代码)。例如,创建一个名为 standard_city_dict 的表,包含 raw_input 和 city_code 字段,其中 raw_input 存储清洗后的城市名,city_code 存储对应的国家标准城市编码。

CREATE TABLE standard_city_dict (
    raw_input VARCHAR(50) PRIMARY KEY,
    city_code VARCHAR(10) NOT NULL
);

INSERT INTO standard_city_dict (raw_input, city_code) VALUES
('北京', '110000'),
('上海', '310000'),
('广州', '440100');

预期结果:表中插入了三条记录,分别对应北京、上海、广州的标准编码。此表作为后续JOIN操作的基准,确保只有存在于字典中的脏数据才能被清洗为有效记录。

如何利用LEFT JOIN实现脏数据的匹配与过滤

在拥有标准字典表后,使用LEFT JOIN将脏数据表与字典表连接。脏数据表 dirty_import_data 包含用户导入的原始城市名称 user_city_name。通过ON条件 d.user_city_name = dict.raw_input 进行匹配。对于匹配成功的行,字典表的 city_code 不为空;对于匹配失败的行(即脏数据中无法识别的值),city_code 为NULL。此时,只需在WHERE子句中过滤掉 dict.city_code IS NULL 的记录,即可保留清洗后的干净数据。

SELECT 
    d.id,
    d.user_city_name,
    dict.city_code,
    d.other_info
FROM dirty_import_data d
LEFT JOIN standard_city_dict dict 
    ON TRIM(d.user_city_name) = dict.raw_input
WHERE dict.city_code IS NOT NULL;

预期结果:查询返回的结果集中,所有记录的 city_code 均为有效的标准编码,且不存在因拼写错误或未知城市导致的NULL值。未匹配的记录被完全排除,实现了数据的快速过滤和规范化。

基于程序中某个输入、条件或结果的具体问题

当脏数据中存在大小写不一致或前后有空格时,直接JOIN会导致匹配失败。例如,输入值为 ' 北京 ' 或 'BEIJING',而字典表中存储的是 '北京'。此时需要在JOIN条件中使用函数处理输入值,如 TRIM(UPPER(d.user_city_name)),但需注意字典表也需预处理或使用函数索引以保持性能。若未做预处理,这些记录将被视为脏数据而被过滤掉,导致数据丢失。因此,必须在JOIN前对脏数据进行标准化预处理,确保与字典表格式一致。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
数据分析工具有哪些
数据分析工具有哪些

数据分析工具有Excel、SQL、Python、R、Tableau、Power BI、SAS、SPSS和MATLAB等。详细介绍:1、Excel,具有强大的计算和数据处理功能;2、SQL,可以进行数据查询、过滤、排序、聚合等操作;3、Python,拥有丰富的数据分析库;4、R,拥有丰富的统计分析库和图形库;5、Tableau,提供了直观易用的用户界面等等。

2023.10.12

5103

8

SQL中distinct的用法
SQL中distinct的用法

SQL中distinct的语法是“SELECT DISTINCT column1, column2,...,FROM table_name;”。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.27

1031

4

SQL中months_between使用方法
SQL中months_between使用方法

在SQL中,MONTHS_BETWEEN 是一个常见的函数,用于计算两个日期之间的月份差。想了解更多SQL的相关内容,可以阅读本专题下面的文章。

2024.02.23

1349

5

SQL出现5120错误解决方法
SQL出现5120错误解决方法

SQL Server错误5120是由于没有足够的权限来访问或操作指定的数据库或文件引起的。想了解更多sql错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

7201

10

sql procedure语法错误解决方法
sql procedure语法错误解决方法

sql procedure语法错误解决办法:1、仔细检查错误消息;2、检查语法规则;3、检查括号和引号;4、检查变量和参数;5、检查关键字和函数;6、逐步调试;7、参考文档和示例。想了解更多语法错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

3823

4

oracle数据库运行sql方法
oracle数据库运行sql方法

运行sql步骤包括:打开sql plus工具并连接到数据库。在提示符下输入sql语句。按enter键运行该语句。查看结果,错误消息或退出sql plus。想了解更多oracle数据库的相关内容,可以阅读本专题下面的文章。

2024.04.07

7180

11

sql中where的含义
sql中where的含义

sql中where子句用于从表中过滤数据,它基于指定条件选择特定的行。想了解更多where的相关内容,可以阅读本专题下面的文章。

2024.04.29

10081

6

sql中删除表的语句是什么
sql中删除表的语句是什么

sql中用于删除表的语句是drop table。语法为drop table table_name;该语句将永久删除指定表的表和数据。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1370

5

sql中删除一列的命令是什么
sql中删除一列的命令是什么

在sql中,使用alter table语句可以删除一列,语法为:alter table table_name drop column column_name。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1192

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习