CN113742322A - 一种数据质量检测方法和装置 - Google Patents
一种数据质量检测方法和装置 Download PDFInfo
- Publication number
- CN113742322A CN113742322A CN202011291278.0A CN202011291278A CN113742322A CN 113742322 A CN113742322 A CN 113742322A CN 202011291278 A CN202011291278 A CN 202011291278A CN 113742322 A CN113742322 A CN 113742322A
- Authority
- CN
- China
- Prior art keywords
- data set
- fields
- comparison
- comparison results
- compared
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 208000022417 sinus histiocytosis with massive lymphadenopathy Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据质量检测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:响应于对第一数据集和第二数据集的选择比对操作,分别加载第一数据集和第二数据集中的字段和字段值;分别接收对第一数据集和第二数据集的字段中主键字段的选择,对选择的主键字段做关联;分别接收对第一数据集和第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。该实施方式以类似比较两个文本的方式来比较两个数据集,以判定数据质量,整个运行流程一目了然、检测用时短,比对结果和比对明细透明,以便工作人员后续快速定位问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据质量检测方法和装置。
背景技术
随着互联网行业的不断成熟,人们开始关注大数据分析和计算,数据挖掘、人工智能等技术应运而生,越来越多的业务需要通过大数据计算才能满足需求,比如电商中的商品匹配、海量数据的指标分析。
通过大数据分析工具(如Hive SQL,Spark)产生大量结构化的文件,而对产生的数据质量的管理和监控还处于无监督、非标准化的状态,随着数据的增多,质量问题也会暴露的越来越严重。但目前只能判断结果的正确与否,对于带有复杂业务逻辑的计算却无法定位到计算过程中的问题,无法通过比较的方式判定数据的好坏情况。
发明内容
有鉴于此,本发明实施例提供一种数据质量检测方法和装置,至少能够解决现有技术中无法通过比较的方式判定数据的好坏情况。
为实现上述目的,根据本发明实施例的一个方面,提供了一种数据质量检测方法,包括:
响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
可选的,所述根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果,包括:
在一个映射关系中的主键字段值,若所述第一数据集中存在而所述第二数据集中不存在,则将比对结果设置为删除;或
若所述第一数据集中不存在而所述第二数据集中存在,则将比对结果设置为新增;或
若所述第一数据集和所述第二数据集中均存在,则对同一映射关系中每个待比对字段下的字段值进行比对;
若比对结果均相同,则将与所述主键字段对应的比对结果设置为不变,否则设置为修改。
可选的,在所述得到比对结果之后,包括:
按照比对结果分类,对所有主键字段值的比对结果做统计,得到比对结果为删除的数量、比对结果为新增的数量、比对结果为不变的数量和比对结果为修改的数量;
分别计算所述比对结果为删除的数量、所述比对结果为新增的数量、所述比对结果为不变的数量、所述比对结果为修改的数量在比对结果总数量中的占比。
可选的,还包括:若所述比对结果为不变的占比大于或等于预设占比值,则确定所述第一数据集和所述第二数据集检测通过。
为实现上述目的,根据本发明实施例的另一方面,提供了一种数据质量检测装置,包括:
加载模块,用于响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
第一选择模块,用于分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
第二选择模块,用于分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
比对模块,用于根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
可选的,所述比对模块,用于:
在一个映射关系中的主键字段值,若所述第一数据集中存在而所述第二数据集中不存在,则将比对结果设置为删除;或
若所述第一数据集中不存在而所述第二数据集中存在,则将比对结果设置为新增;或
若所述第一数据集和所述第二数据集中均存在,则对同一映射关系中每个待比对字段下的字段值进行比对;
若比对结果均相同,则将与所述主键字段对应的比对结果设置为不变,否则设置为修改。
可选的,还包括统计模块,用于:
按照比对结果分类,对所有主键字段值的比对结果做统计,得到比对结果为删除的数量、比对结果为新增的数量、比对结果为不变的数量和比对结果为修改的数量;
分别计算所述比对结果为删除的数量、所述比对结果为新增的数量、所述比对结果为不变的数量、所述比对结果为修改的数量在比对结果总数量中的占比。
可选的,还包括检测模块,用于:若所述比对结果为不变的占比大于或等于预设占比值,则确定所述第一数据集和所述第二数据集检测通过。
为实现上述目的,根据本发明实施例的再一方面,提供了一种数据质量检测电子设备。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一所述的数据质量检测方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一所述的数据质量检测方法。
根据本发明所述提供的方案,上述发明中的一个实施例具有如下优点或有益效果:以类似比较两个文本的方式来比较两个数据集,以判定数据质量,整个运行流程一目了然、检测用时短,比对结果和比对明细透明,以便工作人员后续快速定位问题。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种数据质量检测方法的主要流程示意图;
图2是整个实施比较流程示意图;
图3是文档差异示意图;
图4是根据本发明实施例的一种数据质量检测装置的主要模块示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的移动设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
此处对目前大数据分析工具做简单介绍:
Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎。Spark是在Scala语言中实现的,它将Scala用作其应用程序框架。与Hadoop不同,Spark和Scala能够紧密集成,其中的Scala可以像操作本地集合对象一样轻松地操作分布式数据集。
Spark SQL的一种用法是直接执行SQL查询语句,可使用最基本的SQL语法,也可以选择Hive SQL语法。Spark SQL可以从已有的Hive中读取数据。Spark SQL将以DataFrame返回结果。
Spark DataFrame是一种分布式数据集合,每一条数据都由几个命名字段组成。概念上来说,其和关系型数据库的表或者R和Python中的data frame等价,只不过在底层,DataFrame采用了更多优化。DataFrame可以从很多数据源(sources)加载数据并构造得到,如结构化数据文件、Hive中的表、外部数据库或者已有的RDD。DataFrame API支持Scala、Java、Python、R。
参见图1,示出的是本发明实施例提供的一种数据质量检测方法的主要流程图,包括如下步骤:
S101:响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
S102:分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
S103:分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
S104:根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
上述实施方式中,对于步骤S101,本方案中的数据集可以是HIVE表、HDFS文件、本地文件等结构化数据,用户利用Spark的DataFrame工具从一个分布式或本地文件系统上选择并加载具体的两个数据集。如表1所示,第一数据集DataFrame1为9月17日数据、第二数据集DataFrame2为9月18日数据,字段都是column1、column2、column3,都只有三行数据(实际字段和数据行数可能不一):
对于步骤S102和S103,用户利用DataFrame的元数据信息,从第一数据集和第二数据集的字段中,设置主键字段(key_columns)以及圈定待比对的字段(select_columns),并建立关联/一一映射关系,主键字段可以是多个。
将数据集(DataFrame1,DataFrame1)及两个参数(key_columns、select_columns),传入到比对模块,从比对模块计算得出的DataFrame即为目标结果。
假设column1是主键字段,column2和column3是圈定待比对的字段。通过主键字段(column1)触发比对操作,显然9月17日数据集的第一行(a,a1,a2)在9月18日数据集被删除掉了,9月17日数据集的第二行(b,b1,b2)在9月18日数据集没有变化,9月17日数据集的第三行(c,c1,c2)在9月18日数据集发生了变化,由(c,c1,c2)变为(c,c3,c2),最后9月18日数据集主键中多了d,这行数据(d,d1,d2)相对于9月17日数据集是新增的。
整个过程的可视化结果如表2所示:
实际操作中,主键字段不一定相同,例如D1(c1,c2,c3)D2(c3,c4,c6),主键字段分别为c1和c4,待比对字段分别为c2-c3、c3-c6。因而比对时需要设置主键字段之间的关联关系、待比对字段之间的一一映射关系。
具体函数描述如下:
函数一IsNone(columns):比较两个数据集同一主键字段、同一主键字段值和同一映射关系中待比对字段下的字段值是否都为空,都为空返回True;
函数二IsEqual(columns1,columns2):比较两个数据集同一主键字段、同一主键字段值和同一映射关系中待比对字段下的字段值是否一对一相等,都相等返回True;
函数三IsModify(columns1,columns2):首先比较两个数据集同一主键字段、同一主键字段值和同一映射关系中待比对字段下的字段值都不为空,并且字段值一对一不等。
整体方案实施过程参见图2所示,基于Spark的DataFrame来实现两个数据集的比较,将DataFrame看作一个数据集,比对两个DataFrame可以类似文档差异比对方式(参见图3所示),最终输出两个数据集的比较结论(获知多少行数据做了新增,多少行数据被删减,多少行数据做了修改,多少行数据保持不变)和比较明细(获知那些行数据做了新增,那些行数据被删减,那些行数据做了修改,那些行数据保持不变)。
比较两个数据集在圈定待比对字段下的字段值是否相同,按照比较结果分类,分别确定删除、新增、不变和修改各自的比对结果数量,以将数量与比对结果总数量的比值作为各自的占比。实际操作中,可以将比对结果为不变的占比作为衡量两个数据集是否发生变化的标准,若该占比大于或等于预设占比阈值,则确定两个数据集通过验证。
上述实施例所提供的方法,基于现有技术Spark DataFrame制定了一种数据质量检测思路,主要解决在大数据背景下,如何快速管理并检测数据质量、如何快速反映数据对比的情况。整个运行流程一目了然、检测用时短,比对结果和比对明细透明,以便工作人员后续快速定位问题。
参见图4,示出了本发明实施例提供的一种数据质量检测装置400的主要模块示意图,包括:
加载模块401,用于响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
第一选择模块402,用于分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
第二选择模块403,用于分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
比对模块404,用于根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
本发明实施装置中,所述比对模块404,用于:
在一个映射关系中的主键字段值,若所述第一数据集中存在而所述第二数据集中不存在,则将比对结果设置为删除;或
若所述第一数据集中不存在而所述第二数据集中存在,则将比对结果设置为新增;或
若所述第一数据集和所述第二数据集中均存在,则对同一映射关系中每个待比对字段下的字段值进行比对;
若比对结果均相同,则将与所述主键字段对应的比对结果设置为不变,否则设置为修改。
本发明实施装置还包括统计模块405(图中未标出),用于:
按照比对结果分类,对所有主键字段值的比对结果做统计,得到比对结果为删除的数量、比对结果为新增的数量、比对结果为不变的数量和比对结果为修改的数量;
分别计算所述比对结果为删除的数量、所述比对结果为新增的数量、所述比对结果为不变的数量、所述比对结果为修改的数量在比对结果总数量中的占比。
本发明实施装置还包括检测模块406(图中未标出),用于:
若所述比对结果为不变的占比大于或等于预设占比值,则确定所述第一数据集和所述第二数据集检测通过。
另外,在本发明实施例中所述装置的具体实施内容,在上面所述方法中已经详细说明了,故在此重复内容不再说明。
图5示出了可以应用本发明实施例的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505(仅仅是示例)。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,服务器505可以是提供各种服务的服务器。
需要说明的是,本发明实施例所提供的方法一般由服务器505执行,相应地,装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括加载模块、第一选择模块、第二选择模块和比对模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,加载模块还可以被描述为“数据、字段加载模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
根据本发明实施例的技术方案,基于现有技术Spark DataFrame进行抽象封装和扩展,用以解决大数据量场景下的数据比对;利用本方案可以以系统化、可视化的方式展示比对结果和比对明细。或可以应用到统计分析,对统计样本进行筛查,比较不同样本的差异。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种数据质量检测方法,其特征在于,包括:
响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
2.根据权利要求1所述的方法,其特征在于,所述根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果,包括:
在一个映射关系中的主键字段值,若所述第一数据集中存在而所述第二数据集中不存在,则将比对结果设置为删除;或
若所述第一数据集中不存在而所述第二数据集中存在,则将比对结果设置为新增;或
若所述第一数据集和所述第二数据集中均存在,则对同一映射关系中每个待比对字段下的字段值进行比对;
若比对结果均相同,则将与所述主键字段对应的比对结果设置为不变,否则设置为修改。
3.根据权利要求2所述的方法,其特征在于,在所述得到比对结果之后,还包括:
按照比对结果分类,对所有主键字段值的比对结果做统计,得到比对结果为删除的数量、比对结果为新增的数量、比对结果为不变的数量和比对结果为修改的数量;
分别计算所述比对结果为删除的数量、所述比对结果为新增的数量、所述比对结果为不变的数量、所述比对结果为修改的数量在比对结果总数量中的占比。
4.根据权利要求3所述的方法,其特征在于,还包括:
若所述比对结果为不变的占比大于或等于预设占比值,则确定所述第一数据集和所述第二数据集检测通过。
5.一种数据质量检测装置,其特征在于,包括:
加载模块,用于响应于对第一数据集和第二数据集的选择比对操作,分别加载所述第一数据集和所述第二数据集中的字段和字段值;
第一选择模块,用于分别接收对所述第一数据集和所述第二数据集的字段中主键字段的选择,对选择的主键字段做关联;
第二选择模块,用于分别接收对所述第一数据集和所述第二数据集的字段中待比对字段的选择,对选择的待比对字段做一一映射;其中,主键字段和待比对字段存在映射关系;
比对模块,用于根据主键字段值,对同一映射关系中待比对字段下的字段值进行比对,得到比对结果。
6.根据权利要求5所述的装置,其特征在于,所述比对模块,用于:
在一个映射关系中的主键字段值,若所述第一数据集中存在而所述第二数据集中不存在,则将比对结果设置为删除;或
若所述第一数据集中不存在而所述第二数据集中存在,则将比对结果设置为新增;或
若所述第一数据集和所述第二数据集中均存在,则对同一映射关系中每个待比对字段下的字段值进行比对;
若比对结果均相同,则将与所述主键字段对应的比对结果设置为不变,否则设置为修改。
7.根据权利要求6所述的装置,其特征在于,还包括统计模块,用于:
按照比对结果分类,对所有主键字段值的比对结果做统计,得到比对结果为删除的数量、比对结果为新增的数量、比对结果为不变的数量和比对结果为修改的数量;
分别计算所述比对结果为删除的数量、所述比对结果为新增的数量、所述比对结果为不变的数量、所述比对结果为修改的数量在比对结果总数量中的占比。
8.根据权利要求7所述的装置,其特征在于,还包括检测模块,用于:
若所述比对结果为不变的占比大于或等于预设占比值,则确定所述第一数据集和所述第二数据集检测通过。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291278.0A CN113742322A (zh) | 2020-11-17 | 2020-11-17 | 一种数据质量检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291278.0A CN113742322A (zh) | 2020-11-17 | 2020-11-17 | 一种数据质量检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742322A true CN113742322A (zh) | 2021-12-03 |
Family
ID=78728121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291278.0A Pending CN113742322A (zh) | 2020-11-17 | 2020-11-17 | 一种数据质量检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115185982A (zh) * | 2022-09-14 | 2022-10-14 | 浩鲸云计算科技股份有限公司 | 一种基于数据集编排的数据准备方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733662A (zh) * | 2017-04-13 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 数据一致性比对的方法、装置、电子设备和可读存储介质 |
CN110377704A (zh) * | 2019-07-22 | 2019-10-25 | 北京百度网讯科技有限公司 | 数据一致性的检测方法、装置和计算机设备 |
CN110928891A (zh) * | 2019-11-08 | 2020-03-27 | 中国工商银行股份有限公司 | 数据一致性检测方法、装置、计算设备以及介质 |
CN111159482A (zh) * | 2019-12-19 | 2020-05-15 | 贝壳技术有限公司 | 数据校验方法及系统 |
CN111177119A (zh) * | 2019-12-23 | 2020-05-19 | 平安资产管理有限责任公司 | 基于数据库的全量数据比对方法、装置、设备及存储介质 |
-
2020
- 2020-11-17 CN CN202011291278.0A patent/CN113742322A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733662A (zh) * | 2017-04-13 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 数据一致性比对的方法、装置、电子设备和可读存储介质 |
CN110377704A (zh) * | 2019-07-22 | 2019-10-25 | 北京百度网讯科技有限公司 | 数据一致性的检测方法、装置和计算机设备 |
CN110928891A (zh) * | 2019-11-08 | 2020-03-27 | 中国工商银行股份有限公司 | 数据一致性检测方法、装置、计算设备以及介质 |
CN111159482A (zh) * | 2019-12-19 | 2020-05-15 | 贝壳技术有限公司 | 数据校验方法及系统 |
CN111177119A (zh) * | 2019-12-23 | 2020-05-19 | 平安资产管理有限责任公司 | 基于数据库的全量数据比对方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115185982A (zh) * | 2022-09-14 | 2022-10-14 | 浩鲸云计算科技股份有限公司 | 一种基于数据集编排的数据准备方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521404B2 (en) | Data transformations with metadata | |
AU2017202873B2 (en) | Efficient query processing using histograms in a columnar database | |
US10180977B2 (en) | Determining and extracting changed data from a data source | |
US20170032550A1 (en) | Visualization of Unique Field Values for a Field in a Set of Events | |
US9292182B2 (en) | Business intelligence dashboard assembly tool with indications of relationships among content elements | |
US20200134081A1 (en) | Database systems and applications for assigning records to chunks of a partition in a non-relational database system with auto-balancing | |
CN112052138A (zh) | 业务数据质量检测方法、装置、计算机设备及存储介质 | |
US9600559B2 (en) | Data processing for database aggregation operation | |
US20210191921A1 (en) | Method, apparatus, device and storage medium for data aggregation | |
CN112925859A (zh) | 数据存储方法和装置 | |
CN113742322A (zh) | 一种数据质量检测方法和装置 | |
WO2023245941A1 (zh) | 一种数据迁移方法及装置 | |
CN111723089A (zh) | 一种基于列式存储格式处理数据的方法和装置 | |
CN114491253B (zh) | 观测信息处理方法、装置、电子设备及存储介质 | |
CN111198847A (zh) | 一种适用于大数据集的数据并行处理方法、装置及系统 | |
CN112256566B (zh) | 一种测试案例的保鲜方法和装置 | |
CN110688355A (zh) | 变更容器状态的方法和装置 | |
US11928090B2 (en) | Anomaly detection mechanism | |
CN112579673A (zh) | 一种多源数据处理方法及装置 | |
US20240086495A1 (en) | Auto-Triage Failures In A/B Testing | |
CN112000704A (zh) | 用户行为的统计数据矩阵的生成方法和装置 | |
CN118113739A (zh) | 一种数据分页查询的方法和装置 | |
CN113486108A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN114925060A (zh) | 指标体系网络关系的处理方法和装置 | |
CN112215249A (zh) | 一种层次分类方法及装置 |
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 |