如何撰写能够被引用的论文和获得资助的提案——定义数据质量

5.1 定义数据质量 首先我们应该在一些基础词汇上达成共识，集中在“精确性”。精确的数据 意味着这样的数据： 正确的：数据的值和描述真实的反映了它需要表达的对象，并且这种表达是 可信的。例如，某一位作者当前居住的城市叫 New Hope，那么，关于家庭地址 的“精确的”数据应该包含正确的城市名称 New Hope。 明确的：数据的值和描述应该是只有一个含义。例如，在美国至少有十个城 市叫 New Hope，而在宾夕法尼亚州只有一个城市叫 New Hope。那么，在“精确 的”数据中，描述这个城市中的地址是应该包含城市名 New Hope 以及州名称宾 夕法尼亚，这样的数据才是“明确的”。 一致的：数据的值和描述用一种不变的标识约定来表达其含义。例如，美国 的宾夕法尼亚洲可能在数据中表达为 PA，Penn 或 Pennsylvania。为了满足一致性 的要求，关于当前家庭住址的的“精确”数据应该只使用一种约定方式来表达州 名称(比如使用全名 Pennsylvania)，并且坚持这一种用法。 完整的：关于完整性有两个方面。 第一点是要确保数据中为每个实例定义了（不能为空）特定的值和描述，例 如，要确保所有应该有当前住址信息的记录实际上确实有值。 第二点是要确保记录的总数量是完整的，或者确保在整个信息流中没有在任 何地方丢失记录。 与完整性相关的一个问题是数据中的缺失值的多种可能的含义。用“空”来 描述的缺失值可能代表真实的数据未知，或者不可用。缺失值可以用空格、空字 符串或其他自创的描述（比如，不知道或拒绝回答）来表示。 5.2 假设 在本章我们会对清洗和规范化发生的环境做一些基本的假设。首先，ETL 作