
数据获取与存储
|
105
对第一个数据集做过验证和真实性核查之后,以后编写脚本验证数据有效性就会容易很多。
你甚至可以用在本书中学到的技巧(特别是第
14
章的内容)创建脚本来自动更新数据。
6.3
数据可读性
、
数据清洁度和数据寿命
如果你的数据集看起来非常难以读取,还有一种可能的方法:根据第
7
章学习的内容,你
可以用代码清洗数据。幸运的是,如果是计算机创建的数据,很有可能可以被计算机读
取。更大的难点在于,从“真实生活”中获取数据并读入计算机。在第
5
章中我们知道,
PDF
和不常见的数据文件类型很难处理,但并非不可能。
我们可以用
Python
帮我们读取难以读取的数据,但难以读取可能意味着数据来源不佳。如
果是计算机生成的大型数据集,那就存在一个问题——数据库转储(
database dump
)的格
式一直都不美观。但如果你的数据是人工生成的,而且难以读取,那可能是数据清洁度和
数据有效性的问题。
你面临的另一个问题是,数据是否
已经
被清洗过了。通过详细询问数据是如何采集、报告
并更新的,你可以判断数据是否被清洗过。你应该能够确定以下内容。
•
数据的清洁度有多高?
•
是否有人给出了统计误差率,或者修改了错误的数据条目,或者误报了数据?
•
是否会发布进一步更新,这些更新是否会发送给你?
•
数据采集过程中使用了哪些方法,如何验证这些方法?
如果你的数据源使用的是标准化的、严谨的研究和采集方法,在未来的几年
里,你的清洗脚本和报告脚本可能几乎不用修改就可以重复使用。那些系统
通常不会定期发生变化(变化既费钱又费时)。一旦写好了清洗脚本 ...