（1）、實體識別問題

資料分析多半涉及資料整合。資料整合將多個數據源中的資料合併，存放那個在一個一致的資料儲存中，如存放在資料倉庫中。這些資料來源可能包括多個資料庫、資料立方體或一般檔案。

自資料整合時，有許多問題需要考慮。模式整合和物件匹配可能需要技巧。來自多個資訊源的現實世界的等價實體如何才能“匹配”？這涉及實體識別問題。例如，資料分析者或者計算機如何才能確定一個數據庫的customer_id與另一個數據庫中的cust_number指的是相同的屬性呢 ？每個屬性的元資料包括名字、含義、資料型別和屬性的允許取值範圍，以及處理空白、零或NULL值得空值規則。這樣的元資料可以用來幫助避免模式整合的錯誤。元資料還可以用於變換資料(例如，pay_type的資料編碼在一個數據庫中可以是“H”和“S”，而在另一個數據庫中是1和2)。因此，這一步也與前面介紹的

在整合期間，當一個數據庫的屬性和另一個數據庫的屬性匹配時，必須特別注意資料的結構。這旨在確保源系統中的函式和參考約束與目標系統中的匹配。例如，在一個系統中，discount可以用於訂單，而在另外一個系統中，它被用於訂單內的商品。如果在整合之前未發現，則目標系統中的商品可能被不正確地打折。

（2）、冗餘和相關分析

冗餘是資料整合的另一個重要問題。一個屬性(例如，年收入)如果能由另一個或另一組屬性”匯出”，則這個屬性可能是冗餘的。屬性或維命名的不一致可能導致結果資料集中的冗餘。

有些冗餘可以被相關分析檢測到。給定兩個屬性，這種分析可以根據可用的資料，度量一個屬效能在多大程度上蘊涵另一個。對於標稱資料，我們使用x^2（卡方）檢測。對於數值屬性，我們使用相關係數(correlation coefficient)和協方差(covariance)，他們都評估一個屬性的值如何隨另一個變化。

（3）、元組重複

除了檢測屬性間的冗餘外，還應當在元組級檢測重複。去規範表是資料冗餘的另一個來源。不一致通常出現在各種不同的副本之間，由於不正確的資料輸入，或者由於更新了資料庫的某些地方，但未更新所有的。

4. 資料變換