讲师中心 微信公众号

工具推荐

视频效率加速
立刻MV
立刻MV

低成本歌曲 MV、视频生成

剧云
剧云

中文短剧剧本制作平台

SoundView
SoundView

字幕擦除翻译、配音口型同步

Seko
Seko

AI短剧一键生成成片

如何在SQL中使用JOIN快速清洗非结构化导入的脏数据?

酷磊大大_2469

酷磊大大_2469

发布时间:2026-11-19 09:51:10

|

537人浏览过

|

来源于php中文网

原创

使用sql join清洗非结构化导入的脏数据,核心思路是建立一张结构化的“标准字典表”,将导入的脏数据通过join关联到该字典表,利用join的匹配特性提取标准化值并过滤无效记录。具体做法是将脏数据表与标准字典表进行left join,筛选出成功匹配的行以获取规范字段,同时利用where条件排除未匹配(null)的脏数据,从而实现快速的数据清洗和规范化。

如何在SQL中使用JOIN快速清洗非结构化导入的脏数据?

如何构建用于匹配的标准化字典表

构建标准化字典表是清洗的基础,需要确保字典表包含所有可能的合法值及其对应的规范ID或名称。通常从历史干净数据中提取唯一值,或者由业务规则定义固定枚举值,形成两列结构:原始模糊值(如去空格后的字符串)和规范值(如标准代码)。例如,创建一个名为 standard_city_dict 的表,包含 raw_input 和 city_code 字段,其中 raw_input 存储清洗后的城市名,city_code 存储对应的国家标准城市编码。

CREATE TABLE standard_city_dict (
    raw_input VARCHAR(50) PRIMARY KEY,
    city_code VARCHAR(10) NOT NULL
);

INSERT INTO standard_city_dict (raw_input, city_code) VALUES
('北京', '110000'),
('上海', '310000'),
('广州', '440100');

预期结果:表中插入了三条记录,分别对应北京、上海、广州的标准编码。此表作为后续JOIN操作的基准,确保只有存在于字典中的脏数据才能被清洗为有效记录。

如何利用LEFT JOIN实现脏数据的匹配与过滤

在拥有标准字典表后,使用LEFT JOIN将脏数据表与字典表连接。脏数据表 dirty_import_data 包含用户导入的原始城市名称 user_city_name。通过ON条件 d.user_city_name = dict.raw_input 进行匹配。对于匹配成功的行,字典表的 city_code 不为空;对于匹配失败的行(即脏数据中无法识别的值),city_code 为NULL。此时,只需在WHERE子句中过滤掉 dict.city_code IS NULL 的记录,即可保留清洗后的干净数据。

SELECT 
    d.id,
    d.user_city_name,
    dict.city_code,
    d.other_info
FROM dirty_import_data d
LEFT JOIN standard_city_dict dict 
    ON TRIM(d.user_city_name) = dict.raw_input
WHERE dict.city_code IS NOT NULL;

预期结果:查询返回的结果集中,所有记录的 city_code 均为有效的标准编码,且不存在因拼写错误或未知城市导致的NULL值。未匹配的记录被完全排除,实现了数据的快速过滤和规范化。

基于程序中某个输入、条件或结果的具体问题

当脏数据中存在大小写不一致或前后有空格时,直接JOIN会导致匹配失败。例如,输入值为 ' 北京 ' 或 'BEIJING',而字典表中存储的是 '北京'。此时需要在JOIN条件中使用函数处理输入值,如 TRIM(UPPER(d.user_city_name)),但需注意字典表也需预处理或使用函数索引以保持性能。若未做预处理,这些记录将被视为脏数据而被过滤掉,导致数据丢失。因此,必须在JOIN前对脏数据进行标准化预处理,确保与字典表格式一致。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
二狗PPT
二狗PPT Hot

一款AI演示文稿工具,主要用于专为中式职场打造的AI PPT生成工具,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

火山引擎

火山引擎是一款面向企业的云计算与AI服务平台。

SkildArt
SkildArt Hot

SkildArt是一款AI文本写作工具,一站式 AI 视觉创作平台。

Flowith
Flowith Hot

Flowith是一款基于画布和智能体工作流的 AI 协作工作空间。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

相关专题

更多
数据分析工具有哪些
数据分析工具有哪些

数据分析工具有Excel、SQL、Python、R、Tableau、Power BI、SAS、SPSS和MATLAB等。详细介绍:1、Excel,具有强大的计算和数据处理功能;2、SQL,可以进行数据查询、过滤、排序、聚合等操作;3、Python,拥有丰富的数据分析库;4、R,拥有丰富的统计分析库和图形库;5、Tableau,提供了直观易用的用户界面等等。

5103

2023.10.12

SQL中distinct的用法
SQL中distinct的用法

SQL中distinct的语法是“SELECT DISTINCT column1, column2,...,FROM table_name;”。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

1031

2023.10.27

SQL中months_between使用方法
SQL中months_between使用方法

在SQL中,MONTHS_BETWEEN 是一个常见的函数,用于计算两个日期之间的月份差。想了解更多SQL的相关内容,可以阅读本专题下面的文章。

1349

2024.02.23

SQL出现5120错误解决方法
SQL出现5120错误解决方法

SQL Server错误5120是由于没有足够的权限来访问或操作指定的数据库或文件引起的。想了解更多sql错误的相关内容,可以阅读本专题下面的文章。

7201

2024.03.06

sql procedure语法错误解决方法
sql procedure语法错误解决方法

sql procedure语法错误解决办法:1、仔细检查错误消息;2、检查语法规则;3、检查括号和引号;4、检查变量和参数;5、检查关键字和函数;6、逐步调试;7、参考文档和示例。想了解更多语法错误的相关内容,可以阅读本专题下面的文章。

3823

2024.03.06

oracle数据库运行sql方法
oracle数据库运行sql方法

运行sql步骤包括:打开sql plus工具并连接到数据库。在提示符下输入sql语句。按enter键运行该语句。查看结果,错误消息或退出sql plus。想了解更多oracle数据库的相关内容,可以阅读本专题下面的文章。

7180

2024.04.07

sql中where的含义
sql中where的含义

sql中where子句用于从表中过滤数据,它基于指定条件选择特定的行。想了解更多where的相关内容,可以阅读本专题下面的文章。

10101

2024.04.29

sql中删除表的语句是什么
sql中删除表的语句是什么

sql中用于删除表的语句是drop table。语法为drop table table_name;该语句将永久删除指定表的表和数据。想了解更多sql的相关内容,可以阅读本专题下面的文章。

1370

2024.04.29

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

20

2026.11.17

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn