拼寫錯誤、以及各種不準(zhǔn)確和過時的信息就好比米堆里的砂子，如果不挑出來，企業(yè)和研究人員就很難利用大數(shù)據(jù)技術(shù)做出一鍋好飯，而數(shù)據(jù)凈化要做的工作就是去蕪存菁。

卡里姆·科夏瓦杰是多倫多的一名醫(yī)生和網(wǎng)絡(luò)健康顧問，他要從500名醫(yī)生那里反饋的海量數(shù)據(jù)中總結(jié)出怎樣才能更好地治療病人。但是眾所周知，醫(yī)生的“書法”本來就堪比天書，要想讓電腦識別出其中的拼寫錯誤和縮寫更是難于登天。

比如科夏瓦杰指出：“患者是否吸煙是個很重要的信息。如果你直接閱讀病歷，你馬上就能明白醫(yī)生是什么意思。但是要想讓電腦去理解它，那就只能祝你好運(yùn)了。雖然你也可以在電腦上設(shè)置‘從不吸煙’或‘吸煙=0’的選項。但是一個患者每天吸多少支煙？這幾乎是電腦不可能搞明白的問題。

由于宣傳報道把大數(shù)據(jù)吹得神乎其神，因此很多人可能覺得大數(shù)據(jù)用起來特別簡單：只要把相當(dāng)于一整個圖書館的信息插到電腦上，然后就可以坐在一邊，等著電腦給出精辟見解，告訴你如何提高自動生產(chǎn)線的生產(chǎn)效率，如何讓網(wǎng)購者在網(wǎng)上購買更多的運(yùn)動鞋，或是如何治療癌癥。但事實遠(yuǎn)遠(yuǎn)比想象復(fù)雜得多。由于信息會過時、不準(zhǔn)確和缺失，因此數(shù)據(jù)不可避免地也有“不干凈”的時候。如何把數(shù)據(jù)變“干凈”是一個越來越重要但又經(jīng)常被人忽略的工作，但它可以防止你犯下代價高昂的錯誤。

雖然科技一直都在進(jìn)步，但是人們在凈化數(shù)據(jù)上能想到的法子并不多。即便是處理一些相對較“干凈”的數(shù)據(jù)，要想獲得有用的結(jié)果往往也是件費(fèi)時費(fèi)力的事情。

博思艾倫咨詢公司（Booz Allen）副總裁約什·沙利文說：“我對我的客戶說，這是個混亂骯臟的世界，沒有完全干凈的數(shù)據(jù)集。”

數(shù)據(jù)分析師一般喜歡先尋找非常態(tài)的信息。由于數(shù)據(jù)量太巨大，他們一般都會把篩選數(shù)據(jù)的工作交給軟件來完成，來尋找是否有些反常的東西需要進(jìn)一步檢查。隨著時間的推移，電腦篩選數(shù)據(jù)的精確性也會提高。通過對類似案例進(jìn)行分類，它們也會更好地了解一些詞語和句子的含義，然后提高篩選的精確性。

沙利文說：“這種方法簡單直接，但‘訓(xùn)練’你的模型可以需要一周又一周的時間。”

有些公司也提供了用來凈化數(shù)據(jù)的軟件和服務(wù)，其中既包括像IBM和SAP一樣的科技巨頭，也包括Cloudera和Talend開放工作室從事等大數(shù)據(jù)和分析的專門機(jī)構(gòu)。一大批創(chuàng)業(yè)公司也想爭當(dāng)大數(shù)據(jù)的看門人，其中有代表性的包括Trifacta、Tamr和Paxata等。

由于“不干凈”的數(shù)據(jù)太多，醫(yī)療業(yè)被認(rèn)為是大數(shù)據(jù)技術(shù)最難搞定的行業(yè)之一。雖然隨著電子病歷的普及，將醫(yī)療信息輸入電腦的難度已經(jīng)變得越來越低，但是研究人員、制藥公司和醫(yī)療業(yè)分析人士要想把他們需要的數(shù)據(jù)盡情地拿來分析，在數(shù)據(jù)上要提高的地方還有很多。

健康數(shù)據(jù)咨詢公司InfoClin的醫(yī)生兼CEO科夏瓦杰花了很多時間，希望數(shù)以萬計的電子醫(yī)療病歷中篩選有用的數(shù)據(jù)，以提高對病人的診療水平。但他們在篩選的過程中卻不斷遇到阻礙。

很多醫(yī)生在病歷中沒有記錄病人的血壓，這個問題是無論哪種數(shù)據(jù)凈化方法都修復(fù)不了的。光憑借現(xiàn)有病歷的信息去判斷病人得了什么病對電腦來說就已經(jīng)是一項極其困難的任務(wù)。醫(yī)生在輸入糖尿病編號的時候，可能忘了清楚地標(biāo)注究竟是患者本人得了糖尿病，還是他的某個家人得了糖尿病。又或許他們光是輸入了“胰島素”三個字，而沒有提到患者得了什么病，因為這對他們來說是再明顯不過的事情。

醫(yī)生用來診斷、開藥和填寫病人基本信息時會大量用到一套獨(dú)特的速記字體。即使讓人類來破解它也要大為頭痛，而對于電腦基本上是不可能完成的任務(wù)。比如科夏瓦杰提到有個醫(yī)生在病歷中寫下“gpa”三個字母，讓他百思不得其解。好在他發(fā)現(xiàn)后面不遠(yuǎn)處又寫著“gma”三字，他才恍然大悟——原來它們是爺爺（grandpa）和奶奶（grandma）的縮寫。

科夏瓦杰說：“我花了好半天才明白它們到底是什么意思。”

科夏瓦杰認(rèn)為，解決數(shù)據(jù)“不干凈”的終極方法之一是要給病歷制定一套“數(shù)據(jù)紀(jì)律”。要訓(xùn)練醫(yī)生養(yǎng)成正確錄入信息的習(xí)慣，這樣事后凈化數(shù)據(jù)時才不至于亂得一團(tuán)糟。科夏瓦杰表示，谷歌有一個很有用的工具，可以在用戶進(jìn)行輸入時告訴他們?nèi)绾纹磳懮ё?，這樣的工具完全可以添加到電子病歷工具中。電腦雖然可以挑出拼寫錯誤，但是讓醫(yī)生摒棄不良習(xí)慣才是朝著正確的方向邁出了一步。

科夏瓦杰的另一個建議是，在電子病歷中設(shè)置更多標(biāo)準(zhǔn)化的域。這樣電腦就會知道到哪里去找特定的信息，從而減少出錯率。當(dāng)然，實際操作起來并沒有這么簡單，因為很多病人同時身患好幾種疾病。因此，一個標(biāo)準(zhǔn)的表格必須擁有足夠的靈活性，把這些復(fù)雜情況全部考慮進(jìn)去。

但是出于診療的需要，醫(yī)生有時需要在病歷上記下一些自由行文的東西，這些內(nèi)容肯定不是一個小格子能裝得下的。比如一個患者為什么會摔倒，如果不是受傷導(dǎo)致的，那么原因就非常重要。但是在沒有上下文的條件下，軟件對于自由行文的理解只能用撞大運(yùn)來形容。篩選數(shù)據(jù)的時候，如果人們用關(guān)鍵詞搜索的話可能會做得更好些，但這樣也難免會漏掉很多有關(guān)的記錄。

當(dāng)然，在有些案例中，有些看起來不干凈的數(shù)并不是真的不干凈。博思艾倫咨詢公司副總裁沙利文舉例說，有一次他的團(tuán)隊為一家豪華連鎖酒店分析顧客的人口統(tǒng)計數(shù)據(jù)，突然發(fā)現(xiàn)，數(shù)據(jù)顯示一個富有的中東國家的青少年群體是這家酒店的?？汀?/p>

沙利文回憶道：“有一大群17歲的青少年在世界各地都住這家酒店，我們以為：‘這肯定不是真的。’”

但做了一些挖掘工作后，他們發(fā)現(xiàn)這個信息其實是正確的。這家酒店有大量的青少年顧客，甚至連酒店自己也沒有意識到，而且酒店也沒有針對這部分顧客做過任何促銷和宣傳。所有22歲以下的顧客都被這家公司的電腦自動列入“低收入”群體，酒店的高管們也從來沒有考慮過這些孩子的腰包有多鼓。

沙利文說：“我認(rèn)為如果沒有離群值的話，構(gòu)建模型會更難。”

即便有時數(shù)據(jù)明顯不干凈，它有時依然能派上大用場。比如上文提到的谷歌（Google）的拼寫糾正技術(shù)。它可以自動識別拼寫錯誤的單詞，然后提供替代拼寫。這個工具之所以有這樣神奇的功用，是因為谷歌在過去幾年中已經(jīng)收集了幾億甚至幾十億個拼寫錯誤的詞條。因此不干凈的數(shù)據(jù)也可以變廢為寶。

最終，從大數(shù)據(jù)中獲得結(jié)論的是人而不是機(jī)器。電腦雖然可以整理幾百萬份文件，但它并不能真的解讀它。數(shù)據(jù)凈化就是為了方便人們從數(shù)據(jù)中獲取結(jié)論而反復(fù)試錯的過程。盡管大數(shù)據(jù)已被奉為能提高商業(yè)利潤、能造福全人類的神器，但它也是個很讓人頭痛的東西。

沙利文指出：“失敗的概念在數(shù)據(jù)科學(xué)中完全是另一回事。如果我們每天不失敗10次或12次來試錯，它們就不會給出正確的結(jié)果。”