#python語言

import pandas as pd
import time
data = pd.read_excel(‘ETL_數據清洗挑戰.xlsx‘,‘測試數據‘,dtype=str)#讀取數據
data_dict = data.to_dict(orient = ‘dict‘)#將數據轉換為字典
#print(data[‘CHECK_POINT‘])

listDate = []#創建列表並初始化
for cell in data_dict[‘CHECK_POINT‘].values():#遍歷字典當中keys=‘CHECK_POINT‘的values
    if(len(cell) == 11):#判定日期數據的格式是否統一
        cell = str(cell)#將日期數據轉化為字符串
        cell = cell[:-1]#統一日期格式
        date = time.strptime(str(cell),"%Y-%m-%d")#確定日期格式
        date = time.strftime(‘%Y-%m-%d‘,date)#規定日期格式
    else:
        date = time.strptime(str(cell), "%Y-%m-%d")#確定日期格式
        date = time.strftime(‘%Y-%m-%d‘,date)#規定日期格式
    #print(date)
    listDate.append(date)#將統一後的日期存入列表
data_dict[‘CHECK_POINT‘] = listDate#更新數據字典
#print(listDate)

id_list = {}#創建列表並初始化
index = 0#初始化索引為‘0‘
for id in data_dict[‘ID‘].values():#遍歷keys = ‘ID‘的values
    #print(data_dict[‘ID‘].values())
    if id not in id_list.keys():#判斷列表的keys值，
        id_list[id] = []#初始化id_list
    id_list[id].append(index)#將keys相等的index存入id_list中
    index+=1#存入index後自增
#print(id_list)
day_dict = {}#創建字典
for i,j in id_list.items():#遍歷id_list，i,j,分別存放keys和values
    seq_no_list = [data_dict[‘SEQ_NO‘][no] for no in j]#將keys相等的‘SEQ_NO‘分類存放
    chect_point_list = [data_dict[‘CHECK_POINT‘][no] for no in j]#將keys相等的‘CHECK_POINT‘分類存放
    data_list = list(zip(seq_no_list,chect_point_list))#合並列表
    #print(data_list)
    for rows in range(len(data_list)-1,-1,-1):#因為要刪除列表中的某些信息，避免遍歷時數據超出邊界，所以倒序遍歷列表
        df = data_list[rows]#變量df存放當前indexs的values
        if(df[0] != ‘0034‘) and (df[0] != ‘0036‘) and (df[0] != ‘0048‘):#判斷values的值是否為需要判斷的‘0034‘、‘0036‘、‘0048‘
            data_list.remove(df)#使用remove()函數執行刪除操作
    #print(data_list)
    for rows in range(len(data_list)-1,-1,-1):#因為要刪除列表中的某些信息，避免遍歷時數據超出邊界，所以倒序遍歷列表
        df1 = data_list[rows]#變量df1存放當前index的values
        df2 = data_list[rows - 1]#變量df2存放當前index.next的values
        if(df1[0] == ‘0034‘) and (df2[0] == ‘0034‘):#判斷是否有重復的‘SEQ_NO‘，重復時按照規則刪掉相應的冗余值
            data_list.remove(df1)#使用remove()函數執行刪除操作
        elif(df1[0] == ‘0036‘) and (df2[0] == ‘0036‘):#同上
            df3 = data_list[rows - 2]#使用remove()函數執行刪除操作
            #print(df3)
            if(df3[0] == ‘0034‘):#同上
                data_list.remove(df2)#使用remove()函數執行刪除操作
            else:
                data_list.remove(df1)#使用remove()函數執行刪除操作
        elif(df1[0] == ‘0048‘) and (df2[0] == ‘0048‘):#同上
            data_list.remove(df2)#使用remove()函數執行刪除操作
    day_dict[i] = data_list[0:]#將列表按照‘ID‘分類並存放到day_dict字典中
    #print(data_list)
#print(day_dict)

for keys,values in day_dict.items():#分別使用變量keys,values,來遍歷day_dict
    days = 0#初始化天數
    for cell in range(len(values)-1,-1,-1):#倒序遍歷values的values
        if(values[cell][0] == ‘0048‘) and ((values[cell-1][0] == ‘0036‘) or (values[cell-1][0] == ‘0034‘)):#確定start_day和end_day的範圍
            start_day = int(str(values[cell-1][1])[8:])#將日期中的天數轉化為int型並存放到start_day中
            end_day = int(str(values[cell][1])[8:])#將日期中的天數轉化為int型並存放到end_day中
            if(end_day > start_day) and ((end_day - start_day) > 0):#判斷日期的時間順序是否正確
                days += (end_day - start_day)#將日期的天數進行累加
        elif(values[cell][0] == ‘0036‘) and (values[cell-1][0] == ‘0034‘):#確定start_day和end_day的範圍
            start_day = int(str(values[cell-1][1])[8:])#將日期中的天數轉化為int型並存放到start_day中
            end_day = int(str(values[cell][1])[8:])#將日期中的天數轉化為int型並存放到end_day中
            if (end_day > start_day) and ((end_day - start_day) > 0):#判斷日期的時間順序是否正確
                days += (end_day - start_day)#將日期的天數進行累加
    days_dict = {keys:[str(days)+‘days‘]}#將歸類好的日期天數存放到days_dict字典中
    print(days_dict)#輸出字典中的數據
 

python之ETL數據清洗案例源代碼