第4章 初步整理

“陈默，你来一下。”

王海站在他工位旁边，手指敲了敲隔板的边缘，力道不大，声音不轻不重。他手里拿着一个银色的U盘，拇指无意识地摩挲着U盘的边缘。

陈默从电脑屏幕上移开视线，抬起头。他正在处理一份上周的销售周报，数据有点对不上，他刚找到差异的原因。“王组，什么事？”

“有个新活，比较急。”王海把U盘递过来，“这是从天晟那边刚拷过来的第一批原始数据。量不小，乱七八糟的。你接手，做初步整理和清洗。要求我发你邮箱了，你先看看。”

陈默接过U盘。金属外壳冰凉，带着点湿气，大概是王海手心的汗。U盘很轻，贴着“天晟-2024Q1原始”的标签，字迹有点潦草。

“这批数据是后续分析的基础，很重要，不能出错。”王海看着他，语气带着惯常的、交代任务时的严肃，“时间也比较紧，那边催得急，希望尽快看到初步分析方向。你抓紧，争取三天，最多四天，弄出个干净可用的基础数据集。有什么问题随时找我。”

“好。”陈默点点头，把U盘插进自己电脑的USB接口。指示灯亮起蓝光，开始闪烁。电脑发出读取硬件的提示音。

“行，那你先看要求，开始弄吧。”王海说完，转身要走，又停住，补了一句，“对了，跟李涛也说一声，让他把他手头那个客户画像的数据字段说明发你一份，可能用得上。你们俩配合一下。”

“知道了。”

王海走了。陈默点开邮箱，找到王海刚发来的邮件。标题是“天晟项目数据预处理要求（优先级：高）”。附件里有一个Word文档。他下载，打开。

文档不长，大约两页。列出了数据源说明、需要保留的核心字段、数据清洗的基本规则（去重、缺失值处理、异常值识别阈值）、格式统一要求，以及最终需要交付的数据表结构和命名规范。最后用红色字体加粗了一句：“注意：数据质量直接影响后续所有分析结论的可靠性，务必仔细。时间节点：4个工作日后提交初步清洗后数据。”

陈默快速浏览了一遍。要求不算特别复杂，但数据量大、原始、杂乱的话，工作量会很大，而且需要极度仔细，一个字段处理不当，可能就会埋下雷。他看了一眼那个正在读取的U盘，指示灯还在闪烁。他点开“我的电脑”，找到新出现的盘符，双击打开。

里面塞满了文件和文件夹。名字都很随意：“data_part1.xlsx”、“天晟导出_0321.rar”、“logfiles_week12.zip”、“未命名文件夹”、“temp_old”。没有清晰的结构。陈默皱了下眉，点开那个最大的Excel文件。文件打开得很慢，进度条一点点往前爬。

终于打开了。密密麻麻的单元格，一眼望不到边。列数很多，很多列名是英文缩写，有些干脆是“Column_A”、“Field_1”这样的默认名。数据格式混乱，同一列里，有的是数字，有的是文本，有的单元格是“N/A”，有的是“NULL”，有的是空白。日期格式五花八门，有些看起来像日期，但实际是文本。还有大量重复的记录。

陈默滚动着鼠标滚轮，大致扫了几屏。他关了文件，又点开几个其他的CSV和文本文件。情况大同小异。数据确实“原始”，而且混乱程度比他预想的要高。这不仅仅是清洗，先得花时间理解这些数据到底是什么，哪些是垃圾，哪些是有效信息，各个文件之间有什么关联。

他拿起桌上的笔记本和笔，快速记下几个关键问题和需要确认的点。然后站起身，走到李涛的工位。

李涛正戴着耳机，手指在键盘上飞快敲打，屏幕上是代码编辑器，花花绿绿的字符滚动。陈默敲了敲他的隔板。

李涛没反应，专注地盯着屏幕。

陈默提高声音：“李涛。”

李涛这才猛地转头，扯下一只耳机，脸上带着被打断的不耐烦：“啊？咋了？”

“王组说，让你把那个客户画像的数据字段说明发我一份，

天晟项目用。”陈默说。

“哦，那个啊。”李涛脸上的不耐收敛了点，但也没多少热情，他切了下屏幕，找到一个文件，快速操作几下，“发你邮箱了。不过那个说明是咱们自己内部项目的标准，天晟的数据不一定对得上，你参考着看吧。”

“行，谢了。”陈默点头，准备回去。

“哎，等等，”李涛叫住他，身体往椅背上一靠，挑了下眉，“天晟那个烂摊子，丢给你了？”

“王组让我做初步整理。”陈默说。

“啧，”李涛发出一声意味不明的声音，摇摇头，声音压低了些，“那堆数据，我之前瞟过一眼，一塌糊涂。天晟那边IT水平就那样，导出来的东西能看就不错了。王头儿这是想快点出活，又不想自己碰这脏活累活。你悠着点，这玩意费时费力不出彩，还容易背锅。做得再干净，也就是个基础，后面分析出彩了是别人的，分析出问题了，搞不好第一个查你数据源头。”

陈默没接这话茬，只说：“我先做着看看。”

“行吧，你加油。”李涛耸耸肩，又把耳机戴了回去，重新面对他的代码。

陈默回到自己座位，收到了李涛发来的字段说明文档。他打开快速看了一下，然后深吸一口气，关掉所有不必要的程序，新建了一个项目文件夹，按照自己的习惯建立子文件夹：原始数据、过程文件、清洗规则记录、问题记录、输出数据。

他先不急着处理，而是花了一个多小时，把所有U盘里的文件大致浏览了一遍，记下每个文件的大小、大概行数列数、可能的关联字段。在笔记本上画了一个简单的关系图。然后，他开始尝试整理那些混乱的字段名。对照着天晟之前给过的零星文档（在公共盘某个角落找到的），以及李涛发来的参考说明，他逐一猜测、标注那些意义不明的列名。这个过程很慢，需要不断的搜索、比对、推测。遇到实在不确定的，他在问题记录文件里标红，记下文件名和列名。

下午快下班时，王海又晃了过来，站在他身后，看着他的屏幕。

“怎么样了？有头绪没？”

“正在梳理字段，原始数据比较乱，很多列名需要确认。”陈默头也没回，眼睛盯着屏幕上一行行数据。

“嗯，乱是肯定的。抓大放小，先把能确定的、重要的字段理出来。那些边缘的、实在搞不清的，可以先放放，或者统一归到一个‘其他信息’字段里，别耽误太多时间在细节上。”王海的声音从头顶传来，“关键是快。赵总那边等着看方向。”

“明白。”陈默说。他手指在键盘上停顿了一下，然后继续敲打。他把一个标注为“可能需要业务确认”的字段，移到了“待定-低优先级”的分类下。

“行，你继续。下班前给我个初步进展简报，几句话就行，说说目前进度和预计完成时间。”王海说完，走了。

陈默看了一眼电脑右下角的时间。继续埋头在数据里。

接下来两天，陈默几乎把自己钉在了工位上。除了上厕所和接水，很少离开。他按照清洗规则，编写脚本处理批量问题：统一日期格式，将文本型数字转换为数值型，处理明显的异常值（比如年龄为200岁，金额为负值）。对于缺失值，他根据字段性质，谨慎地选择填充方法，或者标记为缺失，并在记录文件里说明。去重时，他设定了几个关键字段组合作为唯一标识，删除了大量完全重复的记录，但对于部分字段相同、部分字段不同的疑似重复记录，他单独拎出来，做了个待核查清单。

第三天下午，他遇到了一个棘手的问题。在核心的交易流水文件里，有一个关键字段“交易类型编码”，按照天晟给过的一份老旧编码表，应该是几位数字，对应不同的业务类型。但陈默发现，实际数据中混入了大量字母和特殊字符，甚至有些编码在给出的码表里根本不存在。他检查了数据来源，发现这个文件似乎是多个子系统导出的结果合并的，编码规则可能不统一。

他停下脚本，在问题记录里详细描述了这个问题，并截图了异常编码的样本。这已经不是简单的清洗能解

决的，需要业务方确认编码规则，或者至少明确哪些编码是有效的，哪些是无效的、需要如何处理。

他整理了一下问题，带着笔记本去找王海。

王海正在小会议室里打电话，门虚掩着。陈默站在门口等了一会儿。听到王海对着电话说：“……李总您放心，我们这边全力推进，初步分析很快就能出来……对，我们很重视，专门抽调了精干力量……明白，保持沟通……”

又等了几分钟，王海挂了电话出来，看到陈默，脸上还带着讲电话时的笑容：“默默，什么事？数据弄好了？”

“还没有。遇到个问题，需要确认。”陈默把笔记本屏幕转向他，指着那个编码混乱的问题，“这个字段很关键，后续分类汇总和分析都依赖它。但现在数据里编码很乱，跟给的码表对不上。可能需要联系天晟那边，确认一下准确的编码规则，或者提供一份最新的码表。不然清洗后的数据，这个字段不可用。”

王海凑近看了看陈默指出的那些异常样本，眉头皱了起来。他手指在屏幕上敲了敲：“这么多乱七八糟的？”

“嗯，比例不低。而且分散在不同时间段，不像是偶然错误。”陈默说。

王海直起身，摸着下巴，思考了几秒钟。“联系天晟……他们那边IT对接人你又不是不知道，效率低，问个问题三天不回。而且这种细节问题，去问他们，显得我们水平不够，连个数据清洗都搞不定。”他摇摇头，“时间不等人。这样，你先按他们给的那个旧码表来，能对上的就归类，对不上的……”他顿了顿，“对不上的，你先统一归到一个‘其他’或者‘未知’类别里。标注一下比例。我们分析的时候，可以暂时把这类‘未知’交易单独拿出来看，或者按比例分摊到已知类别里做个估算。先把主干数据跑通，出个初步方向。细节问题，等后面深入分析的时候，有必要再去问。”

陈默看着王海：“王组，这样处理的话，如果‘未知’比例很高，或者‘未知’里的交易性质特殊，可能会对后续分析结论产生比较大的偏差。尤其是风险判断，可能失准。”

“我知道有风险。”王海语气有些不耐烦了，但很快又调整回来，拍拍陈默肩膀，“但咱们做项目，不能追求百分百完美，尤其是在时间紧的情况下。要抓住主要矛盾。你现在卡在这里，后面所有工作都得停。先按我说的办法处理，出一个可用的基础数据集。这是当前最重要的。有点偏差，我们在后续建模的时候，可以通过设置误差范围、做敏感性测试来弥补。快去弄吧，抓紧时间。”

陈默沉默了两秒，说：“行。那我先按现有码表清洗，无法识别的归为‘未知’，并记录比例和样例。但这个风险点，我会在数据说明文档里重点标注。”

“可以，标注清楚。就这样，快去。”王海挥手。

陈默回到座位，看着屏幕上那一片混乱的编码。他新建了一个“编码映射与问题记录”的子文件，详细写下了问题描述、王海的处理意见、以及自己将采取的具体步骤。然后，他修改清洗脚本，增加了按照旧码表映射、无法映射的归类为“ZZ_UNKNOWN”的步骤。脚本运行，看着一行行数据被处理，那些千奇百怪的编码被归入“未知”类别，他心里那点不安感并没有消失，反而像石头一样沉下去。

他看了一眼初步统计，“未知”编码的交易记录，占了总交易笔数的接近百分之十五。比例不低。

他继续工作。第三天晚上，他加班到十点多，终于将几个核心文件初步清洗完毕，生成了第一版“干净”的基础数据集。他按照要求，生成了数据概览报告，包括数据量、字段说明、缺失值比例、异常值处理情况，以及那个醒目的“‘交易类型编码’未知比例：14.8%”的红色警示框。

他把数据集、报告、以及详细的清洗过程记录文档打包，在第四天上午一上班，就发给了王海。同时在邮件正文里写道：“王组，天晟数据初步清洗完成，已发附件。核心问题已在报告中标红。请查收。”

几分钟后，王海回复了邮件，只有两个字：“收到。”