文档介绍：第五章审计数据预处理
计算机辅助审计原理及应用
南京审计学院
八月 18
陈伟
Email: ******@nau.
第五章审计数据预处理
概述
审计数据预处理理论分析
数据预处理应用实例
数据预处理阶段的数据验证
其它数据预处理方法介绍
数据质量概念及分类
单数据源数据质量问题
多数据源集成时数据质量问题
审计数据质量实例
数据预处理的意义
数据预处理的内容
审计数据预处理理论分析
什么是数据质量呢?
数据质量问题并不仅仅是指数据错误。有的文献把数据质量定义为数据的一致性(consistency)、正确性(correctness)、pleteness)和最小性(minimality)这4个指标在信息系统中得到满足的程度,有的文献则把“适合使用”作为衡量数据质量的初步标准。
数据质量的概念
准确性(Accuracy)
准确性是指数据源中实际数据值与假定正确数据值的一致程度;
pleteness)
完整性是指数据源中需要数值的字段中无值缺失的程度;
一致性(Consistency)
一致性是指数据源中数据对一组约束的满足程度;
唯一性(Uniqueness)
唯一性是指数据源中记录以及编码是否唯一;
适时性(Timeliness)
适时性是指在所要求的或指定的时间提供一个或多个数据项的程度;
有效性(Validity)
有效性是指维护的数据足够严格以满足分类准则的接受要求。
评价数据质量的指标
数据质量问题分类
单数据源数据质量问题
当多个数据源集成时,发生在单数据源中的这些问题会更加严重。这是因为每个数据源都是为了特定应用,单独开发、部署和维护的,这就很大程度上导致数据管理系统、数据模型、模式设计和实际数据的不同。每个数据源都可能含有脏数据,多数据源中的数据可能会出现不同表示、重复、冲突等现象。
在模式级,模式设计的主要问题是命名冲突和结构冲突。命名冲突主要表现为不同的对象可能使用同一个命名,而同一对象可能使用不同的命名;结构冲突存在很多种不同的情况,一般是指在不同数据源中同一对象有不同表示,如不同的组成结构、不同的数据类型、不同的完整性约束等。
多数据源集成时数据质量问题
除了模式级的冲突,很多冲突仅出现在实例级上,即数据冲突。由于不同数据源中数据的表示可能会不同,单数据源中的所有问题都可能会出现,比如重复的记录、冲突的记录等。此外,在整个数据源中,尽管有时不同的数据源中有相同的字段名和类型,仍可能存在不同的数值表示,如对性别的描述,一个数据源中可能用“0/1”来描述,另一个数据源中可能会用“F/M”来描述,或者对一些数值的不同表示,如一个数据源中度量单位制可能用美元,另一个数据源中可能会用欧元。此外,不同数据源中的信息可能表示在不同的聚集级别上,如一个数据源中信息可能指的是每种产品的销售量,而另一个数据源中信息可能指的是每组产品的销售量。
多数据源集成时数据质量问题