注意：以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。

基本示例

本页探讨了在Preparations界面中清理和准备数据的基本变换示例。

移除前导和尾随空格

如果某些值有前导/尾随空格，它们将在统计区域中计入 需要修剪。

点击 需要修剪 旁边的粉色灯泡，然后点击 修剪空格 来移除该列中值的前导和尾随空格。

将空字符串设置为 `null`

如果某些值是空字符串，它们将在统计区域中计入空。

点击空旁边的粉色灯泡，然后点击 设置为null 将该列中任何空字符串值设置为 null。

一次性规范化多个字符串列

选择您希望规范化的字符串列（或默认选择所有字符串列而不选择任何列）。
选择 规范化字符串 操作并选择您希望应用的操作。

将值规范化为大写

左侧的统计面板将显示列中有多少值是大写、小写或混合大小写。

要将值规范化为大写，选择 更改大小写 操作并点击大写（您也可以根据需要使用小写或 标题大小写）。

解析货币字符串为数值列

如果数值有多余的非数值字符（例如，$1,234.56），则列类型通常会被检测为 字符串。然而，列应为数值型以便进行数值分析。

检查统计区域以确保值显示为数值。

如果某些值显示为非字母、大写等，您必须先清理它们以允许它们被解析为数字。点击相关类别（例如 非字母）以查看这些值并开始清理。

点击 更改类型 按钮，从下拉菜单中选择整数（用于整数）或双精度（用于带小数的数字）。

将暗示无数据的值设置为null，例如N/A

通常，列会有一些值暗示没有可用数据（例如N/A、其他、无、未知等）。通常，这些值应为 null 以正确指示该单元格中没有可用数据。

在直方图中选择一个或多个值。
- 如果未看到这些值，尝试使用 筛选... 框搜索。
点击新值操作，输入 /NULL，然后点击应用。

确保在应用更改之前选择一个或多个值，否则整个列将被设置为 null。

规范化邮政编码为五位数

邮政编码列有时会混合五位数（12345）和九位数（12345-6789）的值。通常，应将邮政编码规范化为单一格式以便进行分组和其他准备工作流程。

使用提取操作将邮政编码列规范化为五位数。点击提取操作，从类型下拉菜单中选择 索引子字符串，然后使用起始索引 1 和结束索引 5。

将所有列重命名为蛇形命名法

蛇形命名法（lowercase_with_underscores）是在许多部署中常见的列命名标准。

点击 规范化列名 操作。如果操作不可见，确保未选择任何列。选择标准，然后点击应用。

所有列将立即重命名为蛇形命名法，这意味着列值将采用小写字母和下划线替代特殊字符的格式。

重命名多列

列视图是重命名多列的最简单方法。通过点击屏幕顶部的列切换到列视图。

批量列更改在您点击应用之前不会保存。

对于需要重命名的任何列，点击列名并根据需要进行编辑。列名将变为绿色以表示更改已暂存但尚未应用。

一旦所有列名修正完成，点击右侧更改日志顶部的应用按钮以保存所有列名更改。

删除null列

有时，列仅包含 null 值。您可以通过完全删除列来清理数据集。

检查统计面板以验证该列完全包含null值；统计应显示 Null 为 100%。

然后，点击 删除列 按钮以移除该列。

移除具有null值的行

有时，某特定列中的 null 值行无关紧要并可以移除。

选择该列，并检查统计面板的 Null 部分以查看该列有多少行具有 null 值。

接下来，点击统计面板中的 Null，然后点击聚焦按钮，仅聚焦于具有 null 值的行。确保这些行无关紧要并可以删除。

要移除这些行，请点击屏幕顶部的 移除行 按钮。

捕获原始数据的行顺序

从初始视图中，使用 添加新列 操作，并使用以下表达式：

Copied!1
monotonically_increasing_id()

monotonically_increasing_id() 是一个用于生成单调递增的唯一标识符的函数。它通常用于分布式数据处理环境中（例如 Apache Spark），为每一行生成一个不重复的ID。需要注意的是，虽然这些ID是单调递增的，但在分布式计算环境中，生成的ID可能不是连续的。这将添加一个基于行顺序保证递增的数字列，但可能既不连续也不确定。

每次计算时列值可能会更改。这可能导致意想不到的行为，例如从准备中保存的数据集在多次构建时与行相关联的数字不同，或者行号列的直方图与表格数据不一致。

添加行号（仅适用于小型数据集）

从初始视图中，使用添加新列操作，并使用以下表达式：

Copied!1
2
3
4
-- 使用 row_number() 函数生成行号
-- over 子句指定排序方式，这里使用 monotonically_increasing_id() 作为排序标准
-- monotonically_increasing_id() 是一个生成唯一标识符的函数，常用于需要唯一标识的场景
row_number() over (order by monotonically_increasing_id())

计算这个行号表达式可能非常耗费资源，并且在处理大型数据集时，它可能会显著影响准备的性能。