????优质资源分享????
???? Python实战微信订餐小程序 ???? | 进阶级 | 本课程是python flask+微信小程序的完美结合,从项目搭建到腾讯云部署上线,打造一个全栈订餐系统。 |
????Python量化交易实战???? | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
前几天因工作需要,组长给我安排了一个数据清洗的任务。
任务:把A表的数据洗到B表。
我的第一反应,**什么是「洗」?洗数据是什么?**洗钱我倒是知道。
不过我不能慌啊,于是问了问组长。
我:组长,把A表的数据洗到B表是什么意思?
组长一脸无奈,手捂住脸,恨铁不成钢,然后调整过来,还是很耐心地跟我讲的,大概意思就是我们现在B表需要A表的数据,A表中和B表中字段含义一样,但是值可能不一样,这就需要我们进行处理,在将A表数据搞到B表的过程中,把数据搞正确。
基于我理解能力有限,当时并不是很懂所谓的「洗数据」,而且这个A表的字段也和B表的字段没怎么对上,A的字段明显多于B的字段,某些字段命名也和B不一样,但是表达的意思是一样的,该如何洗?
于是疯狂搜索如何洗数据!
我这里就举个例子来说明,分别给出A表和B表,当然我只列出了一部分字段,现在假设就这么多字段。
A表字段:name,province_id,city_id,area_id,tech_id,crop_id,field_id,create_time,update_time,xxx,yyy,zzz,...
A表的字段是多于B表的,我需要将A表的数据洗到B表,只处理我需要的字段,不需要的就不用理。
A表中有2万多条记录,B表我自己插入的有200多条记录。
给出A表后,还给了个实体模型
public class A {
private String name;
private Long provinceId;
private Long cityId;
private Long areaId;
private Long techId;
private Long cropId;
private Date createTime;
private Date updateTime;
...
}
B表字段:name,province_id,city_id,area_id,mature_id,crop_id,create_time,update_time
还原现场
下面我模拟测试环境中数据库的那两张表,上面是A表,下面的B表。
洗数据思路
我是先找出A表中能和B表对上意思的字段,然后将A表数据全部插入到B表中。
于是,我便找出了如下这些字段:
name,province_id,city_id,area_id,tech_id,crop_id,update_time
之后在B表中对新插入的数据进行处理,即洗数据。
写SQL操作
主要的SQL语句是:
INSERT INTO 目标表(字段1, 字段2, ...) SELECT 字段1, 字段2, ... FROM 来源表 WHERE 条件;
于是,便这样操作:
INSERT INTO b(name, province_id, city_id, area_id, mature_id, crop_id, update_time)
SELECT name, province_id, city_id, area_id, tech_id, crop_id, update_time FROM a;
操作是正常的,成功将A中2万多条记录全部插入到了B中。
但是!我漏了一个字段,就是create_time。
于是,想着对这个字段进行更新,将A中这个字段更新到B中。
于是写了一条SQL语句。
UPDATE b(create_time) SET create_time = (SELECT create_time FROM a);
> 1064 - You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near "(create\_time) SET create\_time = (SELECT create\_time FROM a)" at line 1
噢,看来不能这样更新啊!
换种写法:
UPDATE b AS tb, (SELECT create_time FROM a) AS ta SET tb.create_time = ta.create_time;
可以,噩梦开始了!
更新了非常久,看着十几秒的SQL执行到六七百秒还没执行完,心里着实很慌!眼看着数据库可能会崩,我不得不向我的组长求救了!
这时问题出现了,有人数据库连接不上了,可见这严重性,已经影响到其他人的使用了!
于是我组长来帮我处理了,想着kill掉我的navicat,但是kill掉还是没效果,毕竟这个SQL已经在执行了。
我:能不能重启这个MySQL服务?
组长一波连环炮过来了
组长:重启?你知道这个MySQL有多少人在用吗?又不只是我们在用,你重启其他人怎么搞?
我哑口无言,心里非常忐忑,想着闯祸了,GG,就看着他操作。没过多久,经过他的一顿操作,终于解决了这个问题。我的心里的一块悬着的大石终于放下了,还好解决了。组长牛逼,救世主!
我:如何解决的?
组长:将这个事务回滚解决的,你更新的SQL怎么写的?
于是写出了上面写的SQL:
UPDATE b AS tb, (SELECT create_time FROM a) AS ta SET tb.create_time = ta.create_time;
组长:你为什么这样写?不应该把子查询写在SETtb.create_time后面吗?
我:对啊,我一开始就是把这个子查询写在它后面的,但是提示我语法错误,我就换了一种写法。
组长:那你写写你说提示错误的SQL。
于是我又丢出来一个SQL:
UPDATE b SET create_time = (SELECT create_time FROM a);
实际上,这条SQL也是不行的,子查询返回的结果不止一行,而当前SET是更新某一行的。
正确的写法是:
UPDATE b AS tb
SET create_time = (SELECT create_time FROM a AS ta WHERE tb.id = ta.id AND tb.name = ta.name)
最后组长深思,你B表已经有2万多条记录了,A表也有2万多条记录,你这样更新,每一次都需要子查询查出A表的2万多条记录,B也有2万多条记录,这样成笛卡尔积了,你知道什么是笛卡尔积吧?2万×2万=4亿的记录行了,难怪这么久。
让我重新操作,那么现在我会在原先的SQL加上WHERE条件,这样写:
UPDATE b AS tb, (SELECT create_time, name FROM a) AS ta
SET tb.create_time = ta.create_time
WHERE tb.id = ta.id AND tb.name = ta.name;
情况:漏了某一个字段X,需要将A表的这个字段列值更新到B表
条件:A中的id字段的值等于B表中的id字段的值且A中的name字段的值等于B中name字段的值。
条件这样写主要是因为表和表之间的关联关系可能有多个字段,此处只选二个字段,多个依此类推。
操作:
一张表的数据插入到另一张表,可以这样写:
INSERT INTO 目标表(字段1, 字段2, ...) SELECT 字段1, 字段2, ... FROM 来源表 WHERE 条件;
批量更新一张表的某个字段到另一张表,那么SQL可以类似这样写:
# 写法一
UPDATE b AS tb
SET create_time = (SELECT create_time FROM a AS ta WHERE tb.id = ta.id AND tb.name = ta.name)
# 写法二
UPDATE b AS tb, (SELECT create_time, name FROM a) AS ta
SET tb.create_time = ta.create_time
WHERE tb.id = ta.id AND tb.name = ta.name;
所谓洗数据:在我的理解中,就是把旧数据,按照新数据的规则把旧数据不正确的值修改正确,同时把这些旧数据插入到新数据中,成为新数据。举个例子,A表中的province_id,值为10代表广东,而B表中的province_id,值为19代表广东,把A表中的数据插入到B表的过程中,把值为10修改为1这样插入的数据才能在B表中正确表示广东,这个过程就是「洗数据」,也可以在插入后再修改,不管过程是怎样,最终能把数据的值修改正确,就是洗数据!
教训:
数据量大的表,少在测试环境操作,要操作尽量保证写的SQL是正确的,能在本地环境操作就现在本地环境操作!能用Java代码进行操作,优先写Java代码操作!
最后的最后
由本人水平所限,难免有错误以及不足之处,屏幕前的靓仔靓女们如有发现,恳请指出!
你轻轻地点了个赞,那将在我的心里世界增添一颗明亮而耀眼的星!
文章为作者独立观点,不代表 股票程序化软件自动交易接口观点