收集

• 根据数据来源及其格式，收集数据的步骤各不相同。
• 高级收集过程：获取数据（从互联网下载文件、抓取网页、查询 API 等），然后将该数据导入编程环境（例如 Jupyter Notebook）。

评估

• 评估数据的目的包括：

  • 质量：内容问题。低质量数据也称为脏数据。
  • 整洁度：使分析难易进行的问题。不整洁数据也称为杂乱数据。条理数据的要求包括：
    1. 每个变量成一列。
    2. 每个观察结果成一行。
    3. 每种观察单位构成一个表格。

• 评估类型：

  • 目测评估：使用你喜欢的软件应用程序（Google 表格、Excel、文本编辑器等）观察数据。
  • 编程评估：使用代码来查看数据的特定部分和摘要（例如 pandas 的 head、tail 和 info方法）。

清洗

• 清洗类型：
  • 手动（不推荐，除非问题是一次性出现）
  • 编程
• 编程数据清洗过程：
  1. 定义：将评估转换为定义的清洗任务。这些定义也可以作为指令列表，以便其他人（或你自己将来）可以回顾和重现自己的工作。
  2. 代码：将这些定义转换为代码并运行。
  3. 测试：可视上或使用代码练习数据集，确保清洗操作可顺序进行。
• 清洗之前，请务必备份原始数据！

重新评估与迭代

• 清洗后，如有必要，请重新评估和迭代任何数据整理步骤。

存储（可选）

• 例如，如果将来使用，可将数据存储到文件或数据库中。