CN111475600B - 数据治理方法、装置及计算机可读存储介质 - Google Patents

数据治理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111475600B
CN111475600B CN202010239975.5A CN202010239975A CN111475600B CN 111475600 B CN111475600 B CN 111475600B CN 202010239975 A CN202010239975 A CN 202010239975A CN 111475600 B CN111475600 B CN 111475600B
Authority
CN
China
Prior art keywords
data
text
numerical
text data
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010239975.5A
Other languages
English (en)
Other versions
CN111475600A (zh
Inventor
赵志明
杨启正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Merchants Finance Technology Co Ltd
Original Assignee
China Merchants Finance Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Merchants Finance Technology Co Ltd filed Critical China Merchants Finance Technology Co Ltd
Priority to CN202010239975.5A priority Critical patent/CN111475600B/zh
Publication of CN111475600A publication Critical patent/CN111475600A/zh
Application granted granted Critical
Publication of CN111475600B publication Critical patent/CN111475600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本发明涉及一种大数据技术，揭露了一种数据治理方法，包括：获取原始数据，对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据，利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。本发明还提出一种数据治理装置、电子设备以及一种计算机可读存储介质。本发明可以提高数据治理的效率。

Description

数据治理方法、装置及计算机可读存储介质
技术领域
本发明涉及大数据领域，尤其涉及一种数据治理的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着大数据时代的来临，在数据库系统中存储的数据量越来越大，接入至各个系统的数据量也越来越大，在使用这些数据之前需要对数据进行数据治理。同时，由于业界对数据的质量要求逐渐增高，因此，数据治理十分重要。现有技术中，对数据治理主要是编写大量重复代码对具体的场景、具体的字段进行处理，耗时长，效率不高。
发明内容
本发明提供一种数据治理方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高数据治理的效率。
为实现上述目的，本发明提供的一种数据治理方法，包括：
获取原始数据；
对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；
利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。
可选地，所述对所述文本数据进行文本标准化处理，得到标准文本数据，包括：
将所述文本数据中的文本与预构建的词库中的目标词进行遍历匹配，得到与所述目标词相匹配的目标文本；
删除所述文本数据中的目标文本，得到过滤文本数据；
对所述过滤文本数据进行分词处理，得到所述标准文本数据。
可选地，所述对所述数值数据进行数值标准化处理，得到标准数值数据包括：
计算所述数值数据中数据的局部离群因子；
将所述数值数据中局部离群因子大于预设值的数据删除，得到正常数值型数据；
对所述正常数值型数据进行缺失值填充处理，得到标准数值型数据。
可选地，所述局部离群因子的计算公式为：
其中，Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，为数据q的局部可达密度，为数据p的局部可达密度。
可选地，所述对所述过滤文本数据进行分词处理，包括：
当所述过滤文本数据包含中文地址，利用结巴分词对所述过滤文本数据中包含的中文地址进行分词。
可选地，所述对所述原始数据按数据类型进行数据提取，包括：
利用正则表达式对所述原始数据按数据类型进行数据提取。
可选地，所述方法还包括：
获取用户交互界面输入的数据特征，所述数据特征包含数据类型；
获取所述数据特征对应的预置hive函数；
基于所述数据特征对应的预置hive函数生成对具有所述数据特征的数据进行处理的脚本。
为了解决上述问题，本发明还提供一种数据治理装置，所述装置包括：
数据获取模块，用于获取原始数据；
数据提取模块，用于对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；
脚本处理模块，利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的数据治理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的数据治理方法。
本发明实施例获取原始数据，对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据，利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。无需对具体的场景和字段编写大量重复冗余的代码，就能够对原始数据进行处理得到标准文本数据和标准数值数据；并且，无需每次数据治理时都编写代码，利用预置hive函数或预先转化预置hive函数生成的脚本就能对原始数据进行处理，提高了数据治理的效率。
附图说明
图1为本发明一实施例提供的数据治理方法的流程示意图；
图2为本发明一实施例提供的数据治理装置的模块示意图；
图3为本发明一实施例提供的实现数据治理方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种数据治理方法。参照图1所示，为本发明一实施例提供的数据治理方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，数据治理方法包括：
S1、获取原始数据。
详细地，所述原始数据为未经处理的初始数据。
进一步的，所述原始数据为将用于大数据存储或大数据分析的原始数据。
例如：如对某市公交运行数据进行分析，通过该市政府数据开放平台获取该市未经处理公交运行的初始数据，则该市未经处理公交运行的初始数据为所述原始数据。
S2、对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据。
详细地，本发明实施例中利用正则表达式对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据。
例如：原始数据为“hello 42 I'm a 32 string 30”，利用Python正则表达式对所述原始数据进行提取，得到数值数据“42,32,30”和文本数据“hello I'm a string”，具体的，Python代码为：re.findall(r'd+','hello 42 I'm a 32 string 30')。
S3、利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。
本实施例中，预置hive函数是基于数据库构建的一套数据仓库分析函数，可以分析存储数据库中的数据。
具体的，本实施例中，所述预置hive函数包括UDF，UDAF，UDTF三种。
所述UDF(User-Defined Function)支持一个输入产生一个输出的自定义函数类型；所述UDAF(User-Defined Aggregate Function)支持多个输入一个输出自定义函数类型；所述UDTF(User-Defined Table-GeneratingFunction)支持一个输入多个输出的自定义函数类型。
所述转化所述预置hive函数生成的脚本可以是领域特定语言DSL（domainspecific language）。
进一步地，转化所述预置hive函数生成的脚本可以是Groovy脚本。
进一步地，在本发明另一实施中，可以通过以下步骤生成脚本，所述方法还包括：
获取用户交互界面输入的数据特征，所述数据特征包含数据类型；获取所述数据特征对应的预置hive函数；基于所述数据特征对应的预置hive函数生成对具有所述数据特征的数据进行处理的脚本。
本实施例中，转化所述预置hive函数生成的Groovy脚本包含rule对象，该rule对象用于对文本数据进行文本标准化处理，以及对数值数据进行标准化处理。
所述文本标准化处理包括：将所述文本数据中的文本与预构建的词库中的目标词进行遍历匹配，得到与所述目标词相匹配的目标文本，删除所述文本数据中的目标文本，得到过滤文本数据，对所述过滤文本数据进行分词处理得到所述标准文本数据。
进一步地，本发明实施例中所述目标词是指标准文本数据中的停用词及敏感词。所述停用词指一些去除后不影响原始含义的字词，例如：“小明的学习很好”中，将“的”去除后不影响本句话的意思，那么“的”就是停用词；所述敏感词为一些涉及暴力、色情、政治等敏感词语。
在本发明实施例中，具体可以利用包括确定有穷自动机(DeterministicFiniteAutomaton, DFA)算法、词频-逆文本频率(term frequency-inverse documentfrequency，TF-IDF)算法、WM（Wu-Manber）多模式匹配算法对所述文本数据进行目标词去除处理，从而实现过滤文本数据。
优选地，本发明实施例使用包括正向匹配的分词方法对所述过滤文本数据进行分词处理得到标准文本数据。
正向匹配的分词包括：对一段待处理字符串进行分词操作时，若预构建的分词词典中最大词条所含的汉字个数为n个，则取待分词字符串的前n个字作为匹配字段，查找分词词典。若词典中含有该词，则匹配成功，分出该词，然后从被比较字符串的n+1处开始再取n个字组成的字段重新在词典中匹配；如果没有匹配成功，则将这n个字组成的字段的最后一位剔除，用剩下的n-1个字组成的字段在词典中进行匹配，如此进行下去，直到切分成功为止。
例如，待处理字符串为“汉字多为表意文字”，取字符串“汉语多为表”(假设比较的步长为5)与词典进行比较，没有与之对应的词，去除“表”字，用字段“汉语多为”进行匹配，直至匹配到“汉语”为至，再取字符串“多为表意”与分词词典中包含的词语进行匹配，当分词词典中不存在匹配的词时，继续去除字符串中的文字，并与分词词典中进行匹配，以此类推选取文字并匹配，直至切分出“文字”一词，则完成了对待处理字符串为“汉字多为表意文字”的分词处理。
优选的，所述对所述过滤文本数据进行分词处理，包括：
当所述过滤文本数据包含中文地址，利用结巴分词对所述过滤文本数据中包含的中文地址进行分词。
比如将地址详情进行分词，分出省、市、区，在于用户填写的省市区做对比，通过欧式距离匹配算法，分离出最符合逻辑的地址信息词语。
所述数值标准化处理包括：计算所述数值数据中数据的局部离群因子，将局部离群因子大于预设数值的数据删除得到正常数值型数据，对所述正常数值型数据进行缺失值填充处理得到标准数值型数据。
其中，所述预设数值可以为1。
进一步地，在本发明实施例中，以本发明中数据q为例，所述局部可达密度：
其中Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，reach-distk(p,q)为p到q的可达距离。
所述局部离群因子为：
其中Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，为q点的局部可达密度，为p点的局部可达密度。
优选地，本发明实施例使用包括填充固定值、填充中位数、填充均值、填充众数的缺失值填充方式所述正常数值型数据中的缺失值进行填充得到标准数值型数据。例如：对数值数据集A的缺失值进行固定值填充，默认填充固定值0，我们可以用Python的pandas模块的fillna函数实现用固定值0填充数值数据集A的缺失值,代码如下：
A.fillna(0,inplace=1)。
进一步的，在本发明另一实施例中，所述脚本还可以包括request 对象和response对象。其中request对象从外界获取所述文本数据和所述数值数据，response 对象将所述标准文本数据和所述标准数值数据返回给外界。
通过生成的脚本包含的request对象、rule对象和response对象可以快速接收、处理和返回待治理数据，具有普适性和较好的通用性。
本发明实施例中，获取原始数据；对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。无需对具体的场景和字段编写大量重复冗余的代码，就能够对原始数据进行处理得到标准文本数据和标准数值数据；并且，无需每次数据治理时都编写代码，利用预置hive函数或预先转化预置hive函数生成的脚本就能对原始数据进行处理，提高了数据治理的效率。
如图2所示，是本发明数据治理装置的功能模块图。
本发明所述数据治理装置100可以安装于电子设备中。根据实现的功能，所述数据治理装置可以包括数据获取模块101、数据提取模块102、脚本处理模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据获取模块101用于获取原始数据。
本发明实施例中，所述原始数据为未经处理的初始数据。
进一步的，所述原始数据为将用于大数据存储或大数据分析的原始数据。
例如：如对某市公交运行数据进行分析，通过该市政府数据开放平台获取该市未经处理公交运行的初始数据，则该市未经处理公交运行的初始数据为所述原始数据。
数据提取模块102，用于对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据。
详细地，本发明实施例中利用正则表达式对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据。
例如：原始数据为“hello 42 I'm a 32 string 30”，利用Python正则表达式对所述原始数据进行提取，得到数值数据“42,32,30”和文本数据“hello I'm a string”，具体的，Python代码为：re.findall(r'd+','hello 42 I'm a 32 string 30')。
脚本处理模块103利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。
本实施例中，预置hive函数是基于数据库构建的一套数据仓库分析函数，可以分析存储数据库中的数据。
具体的，本实施例中，所述预置hive函数包括UDF，UDAF，UDTF三种。
所述UDF(User-Defined Function)支持一个输入产生一个输出的自定义函数类型；所述UDAF(User-Defined Aggregate Function)支持多个输入一个输出自定义函数类型；所述UDTF(User-Defined Table-GeneratingFunction)支持一个输入多个输出的自定义函数类型。
所述转化所述预置hive函数生成的脚本可以是领域特定语言DSL（domainspecific language）。
进一步地，转化所述预置hive函数生成的脚本可以是Groovy脚本。
进一步地，在本发明另一实施中，可以通过脚本生成模块生成脚本，所述装置还包括：
脚本生成模块，用于获取用户交互界面输入的数据特征，所述数据特征包含数据类型；以及获取所述数据特征对应的预置hive函数；以及基于所述数据特征对应的预置hive函数生成对具有所述数据特征的数据进行处理的脚本。
本实施例中，转化所述预置hive函数生成的Groovy脚本包含rule对象，该rule对象用于对文本数据进行文本标准化处理，以及对数值数据进行标准化处理。
所述文本标准化处理包括：将所述文本数据中的文本与预构建的词库中的目标词进行遍历匹配，得到与所述目标词相匹配的目标文本，删除所述文本数据中的目标文本，得到过滤文本数据，对所述过滤文本数据进行分词处理得到所述标准文本数据。
进一步地，本发明实施例中所述目标词是指标准文本数据中的停用词及敏感词。所述停用词指一些去除后不影响原始含义的字词，例如：“小明的学习很好”中，将“的”去除后不影响本句话的意思，那么“的”就是停用词；所述敏感词为一些涉及暴力、色情、政治等敏感词语。
在本发明实施例中，具体可以利用包括确定有穷自动机(DeterministicFiniteAutomaton, DFA)算法、词频-逆文本频率(term frequency-inverse documentfrequency，TF-IDF)算法、WM（Wu-Manber）多模式匹配算法对所述文本数据进行目标词去除处理，从而实现过滤文本数据。
优选地，本发明实施例使用包括正向匹配的分词方式对所述过滤文本数据进行分词处理得到标准文本数据。
正向匹配的分词包括：对一段待处理字符串进行分词操作时，若预构建的分词词典中最大词条所含的汉字个数为n个，则取待分词字符串的前n个字作为匹配字段，查找分词词典。若词典中含有该词，则匹配成功，分出该词，然后从被比较字符串的n+1处开始再取n个字组成的字段重新在词典中匹配；如果没有匹配成功，则将这n个字组成的字段的最后一位剔除，用剩下的n-1个字组成的字段在词典中进行匹配，如此进行下去，直到切分成功为止。
例如，待处理字符串为“汉字多为表意文字”，取字符串“汉语多为表”(假设比较的步长为5)与词典进行比较，没有与之对应的词，去除“表”字，用字段“汉语多为”进行匹配，直至匹配到“汉语”为至，再取字符串“多为表意”与分词词典中包含的词语进行匹配，当分词词典中不存在匹配的词时，继续去除字符串中的文字，并与分词词典中进行匹配，以此类推选取文字并匹配，直至切分出“文字”一词，则完成了对待处理字符串为“汉字多为表意文字”的分词处理。
优选的，所述对所述过滤文本数据进行分词处理，包括：
当所述过滤文本数据包含中文地址，利用结巴分词对所述过滤文本数据中包含的中文地址进行分词。
比如将地址详情进行分词，分出省、市、区，在于用户填写的省市区做对比，通过欧式距离匹配算法，分离出最符合逻辑的地址信息词语。
所述数值标准化处理包括：计算所述数值数据中数据的局部离群因子，将局部离群因子大于预设数值的数据删除得到正常数值型数据，对所述正常数值型数据进行缺失值填充处理得到标准数值型数据。
其中，所述预设数值可以为1。
进一步地，在本发明实施例中，以本发明中数据q为例，所述局部可达密度：
其中Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，reach-distk(p,q)为p到q的可达距离。
所述局部离群因子为：
其中Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，为q点的局部可达密度，为p点的局部可达密度。
优选地，本发明实施例使用包括填充固定值、填充中位数、填充均值、填充众数的缺失值填充方式所述正常数值型数据中的缺失值进行填充得到标准数值型数据。例如：对数值数据集A的缺失值进行固定值填充，默认填充固定值0，我们可以用Python的pandas模块的fillna函数实现用固定值0填充数值数据集A的缺失值,代码如下：
B.fillna(0,inplace=1)。
进一步的，在本发明另一实施例中，所述脚本还可以包括request 对象和response对象。其中request对象从外界获取所述文本数据和所述数值数据，response 对象将所述标准文本数据和所述标准数值数据返回给外界。
通过生成的脚本包含的request对象、rule对象和response对象可以快速接收、处理和返回待治理数据，具有普适性和较好的通用性。
本发明实施例中，获取原始数据；对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。无需对具体的场景和字段编写大量重复冗余的代码，就能够对原始数据进行处理得到标准文本数据和标准数值数据；并且，无需每次数据治理时都编写代码，利用预置hive函数或预先转化预置hive函数生成的脚本就能对原始数据进行处理，提高了数据治理的效率。
如图3所示，是本发明实现数据治理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如数据治理程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（FlashCard）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据治理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如数据治理程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extendedindustry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的数据治理程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始数据；
对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；
利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，以及对所述数值数据进行数值标准化处理，得到标准数值数据。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种数据治理方法，其特征在于，所述方法包括：
获取原始数据；
对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；
利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，包括：对所述文本数据中的文本与预构建的词库中的目标词进行遍历匹配，得到与所述目标词相匹配的目标文本；删除所述文本数据中的目标文本，得到过滤文本数据；对所述过滤文本数据进行分词处理，得到所述标准文本数据；
对所述数值数据进行数值标准化处理，得到标准数值数据，包括：计算所述数值数据中数据的局部离群因子，删除所述数值数据中局部离群因子大于预设值的数据得到正常数值型数据，对所述正常数值型数据进行缺失值填充处理得到标准数值型数据，所述局部离群因子LOFk(q)的计算公式为：
Figure FDA0004065946410000011
其中，Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度。
2.如权利要求1所述的数据治理方法，其特征在于，所述对所述过滤文本数据进行分词处理，包括：
当所述过滤文本数据包含中文地址，利用结巴分词对所述过滤文本数据中包含的中文地址进行分词。
3.如权利要求1或2所述的数据治理方法，其特征在于，所述对所述原始数据按数据类型进行数据提取，包括：
利用正则表达式对所述原始数据按数据类型进行数据提取。
4.如权利要求1至3任一项所述的数据治理方法，其特征在于，所述方法还包括：
获取用户交互界面输入的数据特征，所述数据特征包含数据类型；
获取所述数据特征对应的预置hive函数；
基于所述数据特征对应的预置hive函数生成对具有所述数据特征的数据进行处理的脚本。
5.一种数据治理装置，其特征在于，所述装置包括：
数据获取模块，用于获取原始数据；
数据提取模块，用于对所述原始数据按数据类型进行数据提取，得到数值数据和文本数据；
脚本处理模块，利用预置hive函数或预先转化所述预置hive函数生成的脚本，对所述文本数据进行文本标准化处理，得到标准文本数据，包括：对所述文本数据中的文本与预构建的词库中的目标词进行遍历匹配，得到与所述目标词相匹配的目标文本；删除所述文本数据中的目标文本，得到过滤文本数据；对所述过滤文本数据进行分词处理，得到所述标准文本数据；
对所述数值数据进行数值标准化处理，得到标准数值数据，包括：计算所述数值数据中数据的局部离群因子，删除所述数值数据中局部离群因子大于预设值的数据得到正常数值型数据，对所述正常数值型数据进行缺失值填充处理得到标准数值型数据，所述局部离群因子LOFk(q)的计算公式为：
Figure FDA0004065946410000021
其中，Nk(q)为所述数值数据中数据q附近由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一所述的数据治理方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的数据治理方法。
CN202010239975.5A 2020-03-30 2020-03-30 数据治理方法、装置及计算机可读存储介质 Active CN111475600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010239975.5A CN111475600B (zh) 2020-03-30 2020-03-30 数据治理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010239975.5A CN111475600B (zh) 2020-03-30 2020-03-30 数据治理方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111475600A CN111475600A (zh) 2020-07-31
CN111475600B true CN111475600B (zh) 2023-05-12

Family

ID=71750253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010239975.5A Active CN111475600B (zh) 2020-03-30 2020-03-30 数据治理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111475600B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596828A (zh) * 2020-12-15 2021-04-02 平安普惠企业管理有限公司 基于应用的弹窗生成方法、装置、电子设备及存储介质
CN116304114B (zh) * 2023-05-11 2023-08-04 青岛市黄岛区中心医院 基于外科护理的智能数据处理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947820A (zh) * 2019-03-12 2019-06-28 山东浪潮云信息技术有限公司 一种基于Hadoop的数据治理系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947820A (zh) * 2019-03-12 2019-06-28 山东浪潮云信息技术有限公司 一种基于Hadoop的数据治理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
从MapReduce到Hive;成功人士从不写博客;https://blog.csdn.net/liyifan687/article/details/1034079;全文 *

Also Published As

Publication number Publication date
CN111475600A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
WO2022134759A1 (zh) 关键词生成方法、装置、电子设备及计算机存储介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN108804423B (zh) 医疗文本特征提取与自动匹配方法和系统
CN111814465A (zh) 基于机器学习的信息抽取方法、装置、计算机设备及介质
CN111177532A (zh) 一种垂直搜索方法、装置、计算机系统及可读存储介质
CN111460797B (zh) 关键字抽取方法、装置、电子设备及可读存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113033198B (zh) 相似文本推送方法、装置、电子设备及计算机存储介质
CN111475600B (zh) 数据治理方法、装置及计算机可读存储介质
CN113051356A (zh) 开放关系抽取方法、装置、电子设备及存储介质
CN111488732B (zh) 一种变形关键词检测方法、系统及相关设备
CN112784009B (zh) 一种主题词挖掘方法、装置、电子设备及存储介质
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
CN112733551A (zh) 文本分析方法、装置、电子设备及可读存储介质
CN115238670B (zh) 信息文本抽取方法、装置、设备及存储介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN113205814A (zh) 语音数据标注方法、装置、电子设备及存储介质
CN112667775A (zh) 基于关键词提示的检索方法、装置、电子设备及存储介质
CN113360654B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN112579781A (zh) 文本归类方法、装置、电子设备及介质
CN112597748A (zh) 语料生成方法、装置、设备及计算机可读存储介质
CN117033816A (zh) 停车推荐方法、装置、电子设备及存储介质
US8725749B2 (en) Matching regular expressions including word boundary symbols

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant