大数据技术与应用课堂测试-数据清洗同步

一、 数据结构分析：

（1）京津冀三省的2015年度的科技成果数据原始表，为Access数据库，；

 

（2）要求将三省的科技成果数据汇总到同一表中（要求结果表为MySql数据表）；

（3）三个原始数据表结构不一致，要求结果表中包括所有的字段，表达意思相同或相似的字段要进行合并，不允许丢失字段（若只有本表独有字段，在结果表中其他两表数据在该字段填入空值）。

 

二、 数据同步练习：要求采编程实现三个原始表数据同步功能，将三个表的数据同步到一个结果表中。

三、 数据清洗练习：

（1）重复记录清洗，分析结果表中是否存在重复的数据记录，主要是地域和成果名称相同即判定为重复记录，保留一条记录，并补充其他重复记录中独有的数据字段内容，再删除其余记录。

（2）在结果表中追加年份和地域两个标准维度字段，如果原始表中存在该字段则直接转化成维度字段，若不存在则根据单位名称确定地域字段内容，天津科技成果表中不存在年度字段，则直接将年度维度字段确定为2015年。

import java.sql.*;

public class thedataqingxi {

 

    public static void main(String[] args) {

        // 数据库连接信息

        String url = "jdbc:mysql://localhost:3306/2024.2.28test";

        String username = "root";

        String password = "123456";

 

        try {

            // 连接数据库

            Connection connection = DriverManager.getConnection(url, username, password);

 

            // 执行数据清洗操作

            cleanData(connection);

 

            // 关闭数据库连接

            connection.close();

        } catch (SQLException e) {

            e.printStackTrace();

        }

    }

 

    private static void cleanData(Connection connection) throws SQLException {

        // SQL查询语句，查找重复记录并保留一条

        String findDuplicatesSQL = "SELECT MIN(ID) as minID, name, danwei " +

                "FROM huizongbiao " +

                "GROUP BY name, danwei " +

                "HAVING COUNT(*) > 1";

 

        // SQL删除语句，删除除最小ID外的重复记录

        String deleteDuplicatesSQL = "DELETE FROM huizongbiao WHERE ID <> ? AND name = ? AND danwei = ?";

 

        // 执行查询

        Statement statement = connection.createStatement();

        ResultSet resultSet = statement.executeQuery(findDuplicatesSQL);

 

        // 遍历查询结果

        while (resultSet.next()) {

            int minID = resultSet.getInt("minID");

            String name = resultSet.getString("name");

            String danwei = resultSet.getString("danwei");

 

            // 执行删除操作

            PreparedStatement preparedStatement = connection.prepareStatement(deleteDuplicatesSQL);

            preparedStatement.setInt(1, minID);

            preparedStatement.setString(2, name);

            preparedStatement.setString(3, danwei);

 

            preparedStatement.executeUpdate();

            preparedStatement.close();

        }

 

        // 关闭Statement和ResultSet

        statement.close();

        resultSet.close();

    }

}

 

四、 数据分析：

根据提供的已知字段名称，自动将科技成果分类，并且分析京津冀三地的科技优势。

import pandas as pd

import matplotlib.pyplot as plt

 

# 设置中文显示

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.rcParams['axes.unicode_minus'] = False

 

# 读取CSV文件

df = pd.read_csv('huizongbiao.csv')

 

# 按地区分组并计算各地区的应用行业占比

hebei_data = df[df['shengshiqu'] == '河北']

beijing_data = df[df['shengshiqu'] == '北京']

tianjin_data = df[df['shengshiqu'] == '天津']

 

def plot_pie_and_bar(data, title):

    # 计算应用行业占比

    industry_counts = data['yingyonghangye'].value_counts()

 

    # 只保留前五，其余用"其他"代指

    top_industries = industry_counts.head(5)

    other_count = industry_counts[5:].sum()

    top_industries['其他'] = other_count

 

    total_count = len(data)

    industry_percentages = top_industries / total_count * 100

 

    # 绘制饼状图

    plt.figure(figsize=(10, 6))

    plt.subplot(1, 2, 1)

    plt.pie(industry_percentages, labels=industry_percentages.index, autopct='%1.1f%%', startangle=140)

    plt.title(f'{title} - 行业占比')

 

    # 绘制柱状图

    plt.subplot(1, 2, 2)

    top_industries.plot(kind='bar')

    plt.title(f'{title} - 行业分布 (前五)')

    plt.xlabel('应用行业')

    plt.ylabel('数量')

 

    plt.tight_layout()

    plt.show()

 

# 绘制河北地区的图表

plot_pie_and_bar(hebei_data, '河北')

 

# 绘制北京地区的图表

plot_pie_and_bar(beijing_data, '北京')

 

# 绘制天津地区的图表

plot_pie_and_bar(tianjin_data, '天津')