你了解你的数据吗（练气篇）：数据接入和常见的坑

0x00 前言

数据一道，可深可浅，可大可小。同为数据人，新手和老鸟亦有很大差别。本篇是了解数据的入门篇，包含两部门内容：

1. 数据接入，你的掌控力如何？主要聊一聊数据接入人员对自己接入数据的了解的程度。
2. 数据的坑，你总结了多少规律？在数据接入和基本的数据处理中，会遇到很多数据异常，这些异常你是否已经总结出了规律并纳入到了自己的知识体系。

0x01 数据接入量，你知道多少？

如果你只是闷着头，来一个需求就接一个，而对于自己接入的数据一无所知，那就值得尽早做好打算了，因为不管是面试、汇报工作、亦或是老大们的好奇心，他们可能随时会向你发出这样的诘难：咱们集群总共多大的存储啊？现在有多大的数据量啊？总共接了多少个业务啊？日增量是多少啊，有多少条数据啊？按照这样的速度，集群还能撑多久？

面对上面的问题，你是否懵逼？如果有点懵，可以看一下下面的图，这是笔者认为需要了解的基本的数据内容。

了解数据接入的情况，应该算是最基本的要求，它意味着我们对自己负责的事情有了最基本的掌控力。对不同的人来讲，区别仅在于掌控的程度不同而已。

0x02 数据的坑，你总结了多少规律？

数据的坑无处不在，不管是接入、清洗亦或是模型计算，都会有遇到坑的地方。对于这些坑，你是否已经总结出了应对的套路？这个话题范围可能有点大，我们暂时将其缩小至数据的接入和基本的数据清洗过程。

现阶段，我将数据的坑，分为三部分：一为数据缺失，分为丢数据和字段缺失。二为业务层面的数据异常，比如数据中出现了不符合业务逻辑的取值。三为工程层面的数据异常，主要侧重数据ETL会遇到的异常。详细的一点的可以看下图。

注意，上面提到的都是数据异常，但是并没有说明数据异常的原因，而且也没有引入数据处理中工程上的坑。因为这两点和数据本身的理解上不是强耦合的，再加上不同数据处理流的特性会增加总结的难度，因此暂不讨论。

0xFF 总结

本篇是了解数据的一个基础篇，主要聊一聊数据接入和数据的坑这两个主题，没有讨论过多细化的内容。只为抛砖引玉，梳理大致的思路。